检测工业缺陷的图像分割方法技术

本申请提供了检测工业缺陷的图像分割方法

【技术实现步骤摘要】
检测工业缺陷的图像分割方法、装置、设备和存储介质


[0001]本申请涉及检测工业产品的领域，具体而言，涉及检测工业缺陷的图像分割方法
、
装置
、
设备和存储介质
。

技术介绍

[0002]随着现代机器学习与人工智能技术的发展，越来越多相关技术被应用于工业场景中，其中工业产品的质量检测技术特别是一些误操作产生的划痕和裂缝检测尤为重要
。
[0003]传统的工业缺陷检测往往是通过人工完成的，或者通过神经网络进行产品缺陷检测，在通过神经网络进行产品缺陷检测时，需要将产品缺陷处的区域图像放置神经网络中进行缺陷检测
。
[0004]但是，在放置的过程中由于图像的平移导致缺陷处相对平移，导致我们在检测工业缺陷时得到的分割结果不稳定
、
不准确
。
[0005]因此，如何提高检测工业缺陷时，得到的分割图像的稳定性和准确性，是需要解决的技术问题
。

技术实现思路

[0006]本申请实施例的目的在于提供一种检测工业缺陷的图像分割方法，通过本申请的实施例的技术方案可以达到提高检测工业缺陷时，得到的分割图像的稳定性和准确性的效果
。
[0007]第一方面，本申请实施例提供了一种检测工业缺陷的图像分割方法，包括，通过卷积神经网络对待检测图像进行特征提取，得到第一特征图；通过编码器的下采样模块对第一特征图进行多次下采样，得到第二特征图和第一特征图对应的基础特征；通过解码器的上采样模块对第二特征图进行上采样，得到第二特征图对应的深层特征；融合基础特征和深层特征，得到图像分割结果
。
[0008]本申请在上述实施例中，基于深度学习的图像分割过程中，本申请重新设计了下采样和上采样方式，并通过编码器的下采样和解码器的上采样对图像进行特征提取，最终通过特征融合的方式得到最终的图像分割结果，该方法可以避免现有技术中由于输入图像平移导致目标检测物分割结果不稳定的问题，为此本申请的方法可以达到提高分割结果稳定性的同时，保证分割结果具有较高的精度，满足工业缺陷检测的要求
。
[0009]在一些实施例中，通过编码器的下采样模块对第一特征图进行多次下采样，得到第二特征图和第一特征图对应的基础特征，包括：
[0010]通过编码器的下采样模块对第一特征图进行预设数量的特征采样，得到多个特征切片，其中，多个特征切片的大小相同；
[0011]通过预设卷积层对多个特征切片进行特征提取，得到多个特征分量，其中，多个特征分量和多个特征切片的空间分辨率相同；
[0012]通过编码器的下采样模块提取多个特征切片的特征，得到基础特征和第二特征
图
。
[0013]本申请在上述实施例中，通过对第一特征图的采样和特征分量的特征提取，可以通过特征筛选的方式准确的得到第二特征图和基础特征
。
[0014]在一些实施例中，预设卷积层，包括：
[0015]多个卷积层；
[0016]多个卷积层中的第一个卷积层包括
64
个卷积核，第二个卷积层包括
32
个卷积核；
[0017]多个卷积层中每一卷积层之后包括一个批归一化层和一个线性整流函数
。
[0018]本申请在上述实施例中，通过上述示意的卷积层
、
批归一化层和函数，可以在进行特征切片的特征提取时，提高特征提取的准确性
。
[0019]在一些实施例中，通过编码器的下采样模块提取多个特征切片的特征，得到基础特征和第二特征图，包括：
[0020]对多个特征分量按照预设比例系数进行空间维度上的裁剪操作，得到多个裁剪后的特征分量，其中，裁剪操作包括对多个特征分量的边缘特征进行裁剪；
[0021]求取多个裁剪后的特征分量的均值，得到多个裁剪后的特征分量中每一特征分量的权重；
[0022]根据多个裁剪后的特征分量中每一特征分量的权重，确定第二特征图和基础特征
。
[0023]本申请在上述实施例中，通过对特征分量的裁剪可以避免一些图像边缘等无关特征对最终分割结果的影响，保证在对输入图像平移前后网络在下采样过程中能够选择相同的特征切片，从而增加分割网络的平移相等性，使输出的分割结果更加稳定
。
[0024]在一些实施例中，根据多个裁剪后的特征分量中每一特征分量的权重，确定第二特征图和基础特征，包括：
[0025]选取多个裁剪后的特征分量中每一特征分量的权重最大对应的特征切片作为第二特征图或者将多个特征切片根据对应的多个裁剪后的特征分量中每一特征分量的权重进行加权融合，得到第二特征图；
[0026]通过编码器的下采样模块提取第二特征图的特征，得到基础特征
。
[0027]本申请在上述实施例中，通过加权融合的方式或者选取权重最大的特征切片，可以确保特征提取时选择具有代表性的特征切片，使最终特征提取时能够得到准确的基础特征
。
[0028]在一些实施例中，求取多个裁剪后的特征分量的均值，得到多个裁剪后的特征分量中每一特征分量的权重，包括：
[0029]求取多个裁剪后的特征分量的均值，得到多个裁剪后的特征分量中每一特征分量的初始权重；
[0030]通过归一化指数函数，将多个裁剪后的特征分量中每一特征分量的初始权重进行归一化处理，得到多个裁剪后的特征分量中每一特征分量的权重
。
[0031]本申请在上述实施例中，通过归一化指数函数的计算可以将特征分量的权重进行放大，得到更符合实际需求的特征分量的权重
。
[0032]在一些实施例中，通过解码器的上采样模块对第二特征图进行上采样，得到第二特征图对应的深层特征，包括：
[0033]通过解码器的上采样模块对第二特征图进行上采样，得到第三特征图；
[0034]通过解码器的上采样模块将第三特征图还原到第二特征图的位置，并通过补零的方式得到第四特征图，其中，第四特征图和第二特征图的大小相同；
[0035]提取第四特征图的特征，得到深层特征
。
[0036]本申请在上述实施例中，通过对第二特征图的采样和图像还原，并通过补零的方式得到和第二特征图大小相同的第四特征图，可以直接提取图像的深层特征
。
[0037]在一些实施例中，通过卷积神经网络对待检测图像进行特征提取，得到第一特征图，包括：
[0038]通过卷积神经网络中预设的高斯核对待检测图像进行低通滤波处理，得到第一特征图
。
[0039]本申请在上述实施例中，通过高斯核对待检测图像进行低通滤波处理之后，可以缓解由于违反奈奎斯特采样定理造成的频谱混叠
。
[0040]在一些实施例中，在融合基础特征和深层特征，得到图像分割结果之后，还包括：
[0041]获取多个待检测图像和多个待检测图像对应的多个图像分割结果；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种检测工业缺陷的图像分割方法，其特征在于，包括：通过卷积神经网络对待检测图像进行特征提取，得到第一特征图；通过编码器的下采样模块对所述第一特征图进行多次下采样，得到第二特征图和所述第一特征图对应的基础特征；通过解码器的上采样模块对所述第二特征图进行上采样，得到所述第二特征图对应的深层特征；融合所述基础特征和所述深层特征，得到图像分割结果
。2.
根据权利要求1所述的方法，其特征在于，所述通过编码器的下采样模块对所述第一特征图进行多次下采样，得到第二特征图和所述第一特征图对应的基础特征，包括：通过所述编码器的所述下采样模块对所述第一特征图进行预设数量的特征采样，得到多个特征切片，其中，所述多个特征切片的大小相同；通过预设卷积层对所述多个特征切片进行特征提取，得到多个特征分量，其中，所述多个特征分量和所述多个特征切片的空间分辨率相同；通过所述编码器的所述下采样模块提取所述多个特征切片的特征，得到所述基础特征和所述第二特征图
。3.
根据权利要求2所述的方法，其特征在于，所述预设卷积层，包括：多个卷积层；所述多个卷积层中的第一个卷积层包括
64
个卷积核，第二个卷积层包括
32
个卷积核；所述多个卷积层中每一卷积层之后包括一个批归一化层和一个线性整流函数
。4.
根据权利要求2所述的方法，其特征在于，所述通过所述编码器的所述下采样模块提取所述多个特征切片的特征，得到所述基础特征和所述第二特征图，包括：对所述多个特征分量按照预设比例系数进行空间维度上的裁剪操作，得到多个裁剪后的特征分量；求取所述多个裁剪后的特征分量的均值，得到所述多个裁剪后的特征分量中每一特征分量的权重；根据所述多个裁剪后的特征分量中每一特征分量的权重，确定所述第二特征图和所述基础特征
。5.
根据权利要求4所述的方法，其特征在于，所述根据所述多个裁剪后的特征分量中每一特征分量的权重，确定所述第二特征图和所述基础特征，包括：选取所述多个裁剪后的特征分量中每一特征分量的权重最大对应的特征切片作为所述第二特征图或者将所述多个特征切片根据对应的所述多个裁剪后的特征分量中每一特征分量的权重进行加权融合，得到所述第二特征图；通过所述编码器的所述下采样模块提取所述第二特征图的特征，得到所述基础特征
。6.
根据权利要求4所述的方法，其特征在于，所述求取所述多个裁剪后的特征分量的均值，得到...

【专利技术属性】
技术研发人员：屈震，陶显，沈飞，张正涛，钟成，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：