一种基于高分辨率图像的缺陷检测方法、存储介质技术

一种基于高分辨率图像的缺陷检测方法、存储介质，该方法包括：获取被测物体的高分辨率图像；将高分辨率图像输入训练好的缺陷检测模型以得到高分辨率图像的缺陷检测结果，包括：利用复合特征抽取模块对高分辨率图像进行特征提取，得到高分辨率图像的复合特征图；利用多尺度高频特征抽取模块对高分辨率图像进行高频特征提取，得到高分辨率图像的多个具有不同尺度的高频特征图；利用多尺度特征融合模块对复合特征图和高频特征图进行特征融合，得到融合特征图；利用检测模块对融合特征图进行处理获得高分辨图像的缺陷检测结果。由于融合低频特征和多尺度的高频特征，尽可能保留高分辨率图像的细节信息，从而提升了小目标缺陷检测的精度。的精度。的精度。

【技术实现步骤摘要】
一种基于高分辨率图像的缺陷检测方法、存储介质


[0001]本申请涉及缺陷检测
，具体涉及一种基于高分辨率图像的缺陷检测方法、存储介质。

技术介绍

[0002]目前，对工业生产的各类产品进行表面检测的前提是对上述产品进行成像。随着对上述各类产品的质量要求的不断提高，低分辨率相机无法对上述产品的细小缺陷进行成像，而无法对上述产品的细小缺陷进行成像则意味着不能使用机器视觉技术自动化地检测工业生产的产品的缺陷，进而使得视觉检测失去意义。而采用人工的方式对上述产品进行现场检验则费时费力，且成本高昂，进而导致生产企业无法承受此种人工检验的方式。在实际的工业场景中，为了精准地把控产品的质量，生产厂家普遍采用高分辨率相机对产品的表面进行精细化成像而获得高分辨率的图像，以通过上述高分辨率的图像最大限度地呈现产品中的缺陷，进而实现对产品的精准检测。由于高分辨率相机能够以更多的像素对上述产品进行精确成像，以更好地呈现各种尺度的缺陷，因此，越来越多的生产企业采用高分辨率相机对产品的图像进行采集，进而导致对高分辨率图像的缺陷检测的需求旺盛。然而，由于高分辨率的图像的尺寸巨大，因此对现有的缺陷检测方法/系统提出了重大挑战。上述重大挑战主要体现在：对小目标缺陷的检测效果不佳。由于上述高分辨率图像中缺陷像素的数量少、缺陷的面积小，且缺陷像素与背景像素的比例悬殊，进而导致对上述图像中缺陷的检测的难度较大；此外，由于上述高分辨率图像中小目标缺陷的像素占总像素的比例非常小，且大多呈现“细小微弱”的特点，进而进一步地提升了对上述缺陷进行检测的难度。因此，针对现有技术的不足有必要对其进行改进。

技术实现思路

[0003]本申请提供一种基于高分辨率图像的缺陷检测方法，以解决现有的缺陷检测方法所存在的对小目标缺陷的检测效果不佳的技术缺陷。
[0004]根据第一方面，一种实施例中提供一种基于高分辨率图像的缺陷检测方法。上述缺陷检测方法包括：获取被测物体的高分辨率图像；将所述高分辨率图像输入训练好的缺陷检测模型以得到所述高分辨率图像的缺陷检测结果，所述缺陷检测结果包括所述高分辨率图像中的缺陷区域和/或缺陷类别；其中所述缺陷检测模型包括复合特征抽取模块、多尺度高频特征抽取模块、多尺度特征融合模块以及检测模块；所述将所述高分辨率图像输入训练好的缺陷检测模型以得到所述高分辨率图像的缺陷检测结果包括：利用所述复合特征抽取模块对所述高分辨率图像进行特征提取，以得到所述高分辨率图像的复合特征图，所述复合特征图用于表征所述高分辨率图像的低频特征和高频特征；利用所述多尺度高频特征抽取模块对所述高分辨率图像进行高频特征提取，以得到所述高分辨率图像的多个具有不同尺度的高频特征图，所述高频特征图用于表征所述高分辨率图像的高频特征；利用所述多尺度特征融合模块对所述复合特征图和所述高频特征图进行特征融合，得到融合特征
图；利用所述检测模块对所述融合特征图进行处理以获得所述高分辨图像的缺陷检测结果。
[0005]一些实施例中，所述复合特征抽取模块包括一个卷积层、一个最大池化层和多个串联的残差模块，每个所述残差模块包括两个卷积子层；所述最大池化层的输入特征图为所述卷积层的输出特征图，每个所述残差模块的输出与上一级残差模块的输出相加作为下一级残差模块的输入，其中第一个所述残差模块的输入特征图为所述最大池化层的输出特征图，第二个所述残差模块的输入特征图为第一个所述残差模块的输出特征图与所述最大池化层的输出特征图相加得到的特征图。
[0006]一些实施例中，所述利用所述多尺度高频特征抽取模块对所述高分辨率图像进行高频特征提取，以得到所述高分辨率图像的多个具有不同尺度的高频特征图，包括：提取所述高分辨率图像的高频分量，得到所述高分辨率图像的高频分量图像；将所述高频分量图像输入所述多尺度高频特征抽取模块进行特征提取以得到所述多个具有不同尺度的高频特征图。
[0007]一些实施例中，所述提取所述高分辨率图像的高频分量，得到所述高分辨率图像的高频分量图像，包括：对所述高分辨率图像进行低通滤波，得到第一滤波图，将所述高分辨率图像减去所述第一滤波图，得到第一高频残差图；对所述第一高频残差图进行低通滤波，得到第二滤波图，将所述第一高频残差图减去所述第二滤波图，得到第二高频残差图；对所述第一高频残差图和所述第二高频残差图进行通道拼接，得到所述高频分量图像，所述高频分量图像与所述高分辨率图像的分辨率相同。
[0008]一些实施例中，所述高频特征图包括第一高频特征图和第二高频特征图，所述多尺度高频特征抽取模块包括第一标准卷积层、最大池化层、第一高频特征抽取模块和第二高频特征抽取模块，其中标准卷积层包括依次连接的一个卷积层、一个批标准化层和一个激活层；所述将所述高频分量图像输入所述多尺度高频特征抽取模块进行特征提取以得到所述多个具有不同尺度的高频特征图，包括：将所述高频分量图像输入所述第一标准卷积层，将所述第一标准卷积层的输出特征图输入所述最大池化层得到第一池化特征图；将所述第一池化特征图输入所述第一高频特征抽取模块进行特征提取，得到所述第一高频特征图；将所述第一高频特征图输入所述第二高频特征抽取模块进一步进行特征提取，得到所述第二高频特征图，所述第一高频特征图的分辨率大于所述第二高频特征图。
[0009]一些实施例中，所述第一高频特征抽取模块包括第二标准卷积层、第三标准卷积层、第四标准卷积层、注意力子模块和第五标准卷积层，所述第二标准卷积层和所述第三标准卷积层的卷积核大小不同；所述将所述第一池化特征图输入所述第一高频特征抽取模块进行特征提取，得到所述第一高频特征图，包括：对所述第一池化特征图进行通道分离操作，得到第一分离特征图和第二分离特征图，所述第一分离特征图和第二分离特征图的通道数相等；将所述第一分离特征图输入所述第二标准卷积层得到第二卷积特征图，将所述第二分离特征图输入所述第三标准卷积层得到第三卷积特征图；将所述第二卷积特征图和所述第三卷积特征图进行通道拼接后，输入所述第四标准卷积层得到第四卷积特征图；将所述第四卷积特征图输入所述注意力子模块以得到特征注意力图；将所述特征注意力图与所述第一池化特征图相加后，输入所述第五标准卷积层得到所述第一高频特征图；所述第二高频特征抽取模块和所述第一高频特征抽取模块结构相同，其中，所述第二高频特征抽
取模块中的第二标准卷积层的输入特征图为第三分离特征图，第三标准卷积层的输入特征图为第四分离特征图，所述第三分离特征图和所述第四分离特征图是通过对所述第一高频特征图进行通道分离操作得到的，所述第三分离特征图和所述第四分离特征图的通道数相等；所述第二高频特征抽取模块中的第五标准卷积层输出的是所述第二高频特征图。
[0010]一些实施例中，所述注意力子模块包括平均池化层、第六标准卷积层和Sigmoid函数层；所述将所述第四卷积特征图输入所述注意力子模块以得到特征注意力图，包括：将所述第四卷积特征图输入所述平均池化层进行池化后输入所述第六标准卷积层，得到第六卷积特征图；将所述第六卷积特征图输入所述Sigmoid函数层以获得所述第四本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分辨率图像的缺陷检测方法，其特征在于，包括：获取被测物体的高分辨率图像；将所述高分辨率图像输入训练好的缺陷检测模型以得到所述高分辨率图像的缺陷检测结果，所述缺陷检测结果包括所述高分辨率图像中的缺陷区域和/或缺陷类别；其中所述缺陷检测模型包括复合特征抽取模块、多尺度高频特征抽取模块、多尺度特征融合模块以及检测模块；所述将所述高分辨率图像输入训练好的缺陷检测模型以得到所述高分辨率图像的缺陷检测结果包括：利用所述复合特征抽取模块对所述高分辨率图像进行特征提取，以得到所述高分辨率图像的复合特征图，所述复合特征图用于表征所述高分辨率图像的低频特征和高频特征；利用所述多尺度高频特征抽取模块对所述高分辨率图像进行高频特征提取，以得到所述高分辨率图像的多个具有不同尺度的高频特征图，所述高频特征图用于表征所述高分辨率图像的高频特征；利用所述多尺度特征融合模块对所述复合特征图和所述高频特征图进行特征融合，得到融合特征图；利用所述检测模块对所述融合特征图进行处理以获得所述高分辨图像的缺陷检测结果。2.如权利要求1所述的缺陷检测方法，其特征在于，所述复合特征抽取模块包括一个卷积层、一个最大池化层和多个串联的残差模块，每个所述残差模块包括两个卷积子层；所述最大池化层的输入特征图为所述卷积层的输出特征图，每个所述残差模块的输出与上一级残差模块的输出相加作为下一级残差模块的输入，其中第一个所述残差模块的输入特征图为所述最大池化层的输出特征图，第二个所述残差模块的输入特征图为第一个所述残差模块的输出特征图与所述最大池化层的输出特征图相加得到的特征图。3.如权利要求1所述的缺陷检测方法，其特征在于，所述利用所述多尺度高频特征抽取模块对所述高分辨率图像进行高频特征提取，以得到所述高分辨率图像的多个具有不同尺度的高频特征图，包括：提取所述高分辨率图像的高频分量，得到所述高分辨率图像的高频分量图像；将所述高频分量图像输入所述多尺度高频特征抽取模块进行特征提取以得到所述多个具有不同尺度的高频特征图。4.如权利要求3所述的缺陷检测方法，其特征在于，所述提取所述高分辨率图像的高频分量，得到所述高分辨率图像的高频分量图像，包括：对所述高分辨率图像进行低通滤波，得到第一滤波图，将所述高分辨率图像减去所述第一滤波图，得到第一高频残差图；对所述第一高频残差图进行低通滤波，得到第二滤波图，将所述第一高频残差图减去所述第二滤波图，得到第二高频残差图；对所述第一高频残差图和所述第二高频残差图进行通道拼接，得到所述高频分量图像，所述高频分量图像与所述高分辨率图像的分辨率相同。5.如权利要求3所述的缺陷检测方法，其特征在于，所述高频特征图包括第一高频特征图和第二高频特征图，所述多尺度高频特征抽取模块包括第一标准卷积层、最大池化层、第一高频特征抽取模块和第二高频特征抽取模块，其中标准卷积层包括依次连接的一个卷积
层、一个批标准化层和一个激活层；所述将所述高频分量图像输入所述多尺度高频特征抽取模块进行特征提取以得到所述多个具有不同尺度的高频特征图，包括：将所述高频分量图像输入所述第一标准卷积层，将所述第一标准卷积层的输出特征图输入所述最大池化层得到第一池化特征图；将所述第一池化特征图输入所述第一高频特征抽取模块进行特征提取，得到所述第一高频特征图；将所述第一高频特征图输入所述第二高频特征抽取模块进一步进行特征提取，得到所述第二高频特征图，所述第一高频特征图的分辨率大于所述第二高频特征图。6.如权利要求5所述的缺陷检测方法，其特征在于，所述第一高频特征抽取模块包括第二标准卷积层、第三标准卷积层、第四标准卷积层、注意力子模块和第五标准卷积层，所述第二标准卷积层和所述第三标准卷积层的卷积核大小不同；所述将所述第一池化特征图输入所述第一高频特征抽取模块进行特征提取，得到所述第一高频特征图，包括：对所述第一池化特征图进行通道分离操作，得到第一分离特征图和第二分离特征图，所述第一分离特征图和第二分离特征图的通道数相等；将所述第一分离特征图输入所述第二标准卷积层得到第二卷积特征图，将所述第二分离特征图输入所述第三标准卷积层得到第三卷积特征图；将所述第二卷积特征图和所述第三卷积特征图进行通道拼接后，输入所述第四标准卷积层得到第四卷积特征图；将所述第四卷积特征图输入所述注意力子模块以得到特征注意力图；将所述特征注意力图与所述第一池化特征图相加后，输入所述第五标准卷积层得到所述第一高频特征图；所述第二高频特征抽取模块和所述第一高频特征抽取模块结构相同，其中，所述第二高频特征抽取模块中的第二标准卷积层的输入特征图为第三分离特征图，第三标准卷积层的输入特征图为第四分离特征图，所述第三分离特征图和所述第四分离特征图是通过对所述第一高频特征图进行通道分离操作得到的，所述第三分离特征图和所述第四分离特征图的通道数相等；所述第二高频特征抽取模块中的第五标准卷积层输出的是所述第二高频特征图。7.如权利要求6所述的缺陷检测方法，其特征在于，所述注意力子模块包括平均池化层...

【专利技术属性】
技术研发人员：曾利宏，杨洋，黄淦，翟爱亭，林泽伟，
申请(专利权)人：深圳市华汉伟业科技有限公司，
类型：发明
国别省市：