【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是涉及一种成像设备定位靶标缺陷的检测方法、图像分割模型和检测装置。
技术介绍
1、目前。针对成像设备定位靶标缺陷检测，主要包括传统图像处理方法、传统机器学习方法和深度学习方法。其中，传统图像处理方法包括阈值分割、边缘检测、形态学操作等。传统机器学习方法可以采用一些算法例如支持向量机(svm)、随机森林(random forest)等进行成像设备定位靶标缺陷检测。深度学习技术可以利用深度卷积神经网络(cnn)如unet、fcn等进行成像设备定位靶标缺陷检测。
2、然而，这些方法均存在一定的局限性，传统的图像处理方法在处理复杂的图像结构和变化多样的缺陷时，可能缺乏足够的鲁棒性和准确性。传统机器学习方法需要手工提取特征并训练分类器，这在处理图像中的复杂纹理和结构时可能面临挑战。深度学习方法如unet在成像设备定位靶标缺陷检测方面具有良好的性能，但其计算资源消耗较大，模型结构复杂。这意味着在资源受限的环境下，如嵌入式设备或实时应用中，运行大型深度学习模型可能会面临困难。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术的一个目的在于提出一种成像设备定位靶标缺陷的检测方法，该方法可以提高成像设备定位靶标缺陷检测的准确性，减少了计算量和模型复杂度，降低了计算资源的需求，从而提高了检测效率。
2、本专利技术第二个目的在于提出一种图像分割模型。
3、本专利技术第三个目的在于提出一种检测装置。>
4、为了达到上述目的，本专利技术第一方面实施例的成像设备定位靶标缺陷的检测方法，包括：获取成像设备定位靶标的原始图像；所述原始图像输入图像分割模型，所述图像分割模型包括编码器、解码器、多尺度全局上下文模块和多尺度连续融合模块，所述编码器与所述解码器对应跳跃连接；其中，所述原始图像输入所述编码器，以获得所述编码器的每个非末层下采样模块输出的中间下采样分辨率特征图和末层下采样模块输出的末层下采样分辨率特征图；所述中间下采样分辨率特征图输入所述多尺度全局上下文模块，以获得所述多尺度全局上下文模块输出的对应每个所述中间下采样分辨率特征图的全局上下文注意力特征图；所述全局上下文注意力特征图和所述末层下采样分辨率特征图输入所述多尺度连续融合模块，以获得所述多尺度连续融合模块输出的所述末层下采样分辨率特征图融合有所述全局上下文注意力特征图的融合特征图；所述融合特征图输入所述解码器，以获得所述解码器输出的上采样特征图，以根据所述上采样特征图确定所述成像设备定位靶标的缺陷。
5、根据本专利技术实施例的成像设备定位靶标缺陷的检测方法，通过编码器获取每个非末层下采样模块输出的中间下采样分辨率特征图和末层下采样模块输出的末层下采样分辨率特征图，利用多尺度全局上下文模块可以将中间下采样分辨率特征图转换为全局上下文注意力特征图，这意味着模型能够考虑到整体图像的上下文信息，而不仅仅是局部特征，利用多尺度连续融合模块可以将全局上下文注意力特征图与末层下采样分辨率特征图融合，得到融合特征图，这种多尺度的特征融合有助于将全局信息与局部信息相结合，提高了定位靶标缺陷检测的准确性，并且，相较于传统unet模型对输入图像进行逐像素的编码和解码过程，多尺度全局上下文模块利用全局上下文信息计算了注意力特征图，因而不需要在每个像素点上都进行卷积计算，大大减少了卷积计算步骤，从而减少了计算量和模型复杂度，降低了计算资源的需求，提高了检测效率。
6、在一些实施例中，所述多尺度连续融合模块包括多个最大池化模块、多个叠加模块和通道缩减模块，依次通过多个所述最大池化模块对所述全局上下文注意力特征图进行最大池化操作的下采样，每次下采样后通过一个所述叠加模块将相同分辨率的特征图在通道维度叠加；其中，最后一个所述最大池化模块输出的特征图和所述末层下采样分辨率特征图通过最后的所述叠加模块进行通道维度叠加，以获得初始融合特征图。所述初始融合特征图输入所述通道缩减模块，以获得所述融合特征图。
7、在一些实施例中，所述多尺度全局上下文模块包括第一归一化模块、token_mixer模块、第二归一化模块和channel_mixer模块；所述中间下采样分辨率特征图输入所述第一归一化模块以获得第一归一化特征图；所述第一归一化特征图输入所述token_mixer模块，以获得初始全局上下文注意力特征图；所述初始全局上下文注意力特征图与所述中间下采样分辨率特征图进行第一次相加处理以获得第一相加特征图；所述第一相加特征图输入所述第二归一化模块，以获得第二归一化特征图；所述第二归一化特征图输入所述channel_mixer模块，以获得通道混合的特征图；所述通道混合的特征图和所述第一相加特征图进行第二次相加处理以获得最终的所述全局上下文注意力特征图。
8、在一些实施例中，所述token_mixer模块包括第一分支单元、第二分支单元、第一dwconv单元和第一conv单元；所述第一归一化特征图输入所述第一分支单元，以获得所述第一分支单元输出的特征图均值和全局上下文；所述第一归一化特征图和所述特征图均值均输入所述第二分支单元，以获得所述第二分支单元计算的所述第一分支单元与所述第二分支单元的相似度，并对相似度进行标准化处理；将所述全局上下文和标准化处理后的相似度进行乘法处理；乘法处理后的特征图与所述第一次归一化特征图进行第三次相加处理；所述第三次相加处理之后的特征图输入所述第一dwconv单元；所述第一dwconv单元输出的特征图输入所述第一conv层，以获得所述第一conv单元输出的特征图作为所述初始全局上下文注意力特征图。
9、在一些实施例中，所述channel_mixer模块包括第二conv单元、第二dwconv单元、非线性激活函数单元、第一退化函数单元、第三conv单元和第二退化函数单元；所述第二归一化特征图输入所述第二conv单元；所述第二conv单元输出的特征图输入所述第二dwconv单元；所述第二dwconv单元输出的特征图输入所述非线性激活函数单元；所述非线性激活函数单元输出的特征图输入所述第一退化函数单元；所述第一退化函数单元输出的特征图输入所述第三conv单元；所述第三conv单元输出的特征图输入所述第二退化函数单元，所述第二退化函数单元输出的特征图作为所述通道混合的特征图。
10、为了达到上述目的，本专利技术第二方面实施例的图像分割模型，所述图像分割模型包括：编码器和解码器，所述编码器与所述解码器对应跳跃连接，所述编码器用于对成像设备定位靶标的原始图像进行下采样；多尺度全局上下文模块，所述多尺度全局上下文模块与所述编码器的每个非末层下采样模块的输出端连接，用于根据每个非末层下采样模块输出的中间下采样分辨率特征图获得对应每个所述中间下采样分辨率特征图的全局上下文注意力特征图；多尺度连续融合模块，所述多尺度连续融合模块与所述编码器的末层下采样模块的输出端、所述多尺度全局上下文模块的输出端和所述解码器的输入端连接，用于获得所述末层下采样分辨率特征图融合有所述全局上下本文档来自技高网...
【技术保护点】
1.一种成像设备定位靶标缺陷的检测方法，其特征在于，包括：
2.根据权利要求1所述的检测方法，其特征在于，所述多尺度连续融合模块包括多个最大池化模块、多个叠加模块和通道缩减模块，
3.根据权利要求1所述的检测方法，其特征在于，所述多尺度全局上下文模块包括第一归一化模块、Token_mixer模块、第二归一化模块和Channel_mixer模块；
4.根据权利要求3所述的检测方法，其特征在于，所述Token_mixer模块包括第一分支单元、第二分支单元、第一DWConv单元和第一Conv单元；
5.根据权利要求3所述的检测方法，其特征在于，所述Channel_mixer模块包括第二Conv单元、第二DWConv单元、非线性激活函数单元、第一退化函数单元、第三Conv单元和第二退化函数单元；
6.一种图像分割模型，其特征在于，所述图像分割模型包括：
7.根据权利要求6所述的图像分割模型，其特征在于，所述多尺度连续融合模块包括：
8.根据权利要求6所述的图像分割模型，其特征在于，所述多尺度全局上下文模块
9.根据权利要求8所述的图像分割模型，其特征在于，
10.一种检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种成像设备定位靶标缺陷的检测方法，其特征在于，包括：
2.根据权利要求1所述的检测方法，其特征在于，所述多尺度连续融合模块包括多个最大池化模块、多个叠加模块和通道缩减模块，
3.根据权利要求1所述的检测方法，其特征在于，所述多尺度全局上下文模块包括第一归一化模块、token_mixer模块、第二归一化模块和channel_mixer模块；
4.根据权利要求3所述的检测方法，其特征在于，所述token_mixer模块包括第一分支单元、第二分支单元、第一dwconv单元和第一conv单元；
5.根据权利...
【专利技术属性】
技术研发人员：付皓宇，
申请(专利权)人：合肥芯碁微电子装备股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。