【技术实现步骤摘要】
本专利技术涉及工业缺陷检测领域，尤其是涉及一种基于多级特征融合的带钢表面缺陷检测方法和设备。
技术介绍
1、带钢是现代工业国的基础性产品，被广泛运用于航天航空、汽车制造、国防工业等领域中，对带钢表面缺陷进行及时、准确地检测是保证产品质量的关键，其产品质量对于其它产品的安全性和可靠性有着重要的作用。但是，因其制作工业复杂、制作环节较多，在生产过程中带钢表面就难免会产生裂纹、斑块、划痕等缺陷。这些缺陷不仅会影响产品的美观，还会使得带钢制品的抗腐蚀性、耐磨性等性能下降，导致企业利润下降。因此，必须加强对带钢表面缺陷进行及时、准确的检测，以确保相关设备的运行可靠性。
2、传统的人工检测十分耗时，也存在漏检、误检的问题。目前多采用基于机器视觉的方法代替人工监测对一些产品进行缺陷检测。然而，由于带钢产品表面缺陷存在边缘信息不明显、缺陷和背景对比度低、缺陷种类多、同类缺陷的类内差异大、异类缺陷的类间差异小等问题，一些主流的缺陷检测方法在该场景下表现不佳，致使无法满足实际运行要求。因此，需要进一步提升模型的泛化性以及检测精度。
3、经过检索，中国专利技术专利公开号cn113506239a公开了一种基于跨阶段局部网络的基于多级特征融合的带钢表面缺陷检测方法，该方法包括：构建带钢表面缺陷检测的数据集，数据集中包含12种带钢表面缺陷；基于深度神经网络模型yolov4改进构建csp-yolo网络模型，用于检测带钢表面缺陷；对csp-yolo模型进行训练和测试，输出最优模型对采集的带钢图片进行缺陷位置和种类检测。该现有专利存在检测
4、如何提高钢表面缺陷检测的精度，成为需要解决的技术问题。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多级特征融合的带钢表面缺陷检测方法和设备。
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的一个方面，提供了一种基于多级特征融合的带钢表面缺陷检测方法，该方法包括以下步骤：
4、步骤s1，采集带钢表面图像，并预处理；
5、步骤s2，将预处理后的图像输入训练好的带钢表面缺陷检测进行缺陷检测，得到缺陷检测结果；
6、所述带钢表面缺陷检测模型基于多级特征融合，包括依次连接的初步特征提取模块和多级特征金字塔模块。
7、优选地，所述的初步特征提取模块包括依次连接的五组特征提取子模块，分别为第一组特征提取子模块、第二组特征提取子模块、第三组特征提取子模、第四组特征提取子模块和第五组特征提取子模块。
8、更加优选地，所述第一组特征提取子模块由三个卷积网络堆叠而成，所述第二组特征提取子模块由一个卷积网络和两个跨阶局部网络层堆叠而成，所述第三组特征提取子模和第四组特征提取子模块均由一个降采样单元、一个平均空间注意力机制单元和一个跨阶局部网络层堆叠而成，所述第五组特征提取子模块由一个降采样单元、一个平均空间注意力机制单元、一个跨阶局部网络层和一个空间金字塔池化结构网络堆叠而成。
9、优选地，所述的多级特征金字塔模块在跨阶空间网络中加入了特征金字塔结构网络。
10、更加优选地，所述多级特征金字塔模块包括三个平均空间注意力机制子模块和特征金字塔结构网络，通过融合多尺度信息的方式最小化层间传输导致的语义和细节信息的损失。
11、更加优选地，所述多级特征金字塔模块对多级特征融合的计算过程用下式表示：
12、fi＝cat(u(fi+1),fi),i＝0,1,2
13、式中，fi代表浅层特征图，对应的特征图尺寸大；fi+1代表深层特征图，对应的特征图尺寸小；cat代表特征图通道拼接操作；u(·)表示通过双线插值法进行的上采样操作。
14、更加优选地，所述平均空间注意力机制的整体计算过程如以下公式：
15、ac(f)＝σ(fc(avgpool(f)))
16、as(f)＝σ(fn*n([avgpool(f)；maxpo0l(f)]))
17、fout＝fin×ac(fin)×as(fin)
18、式中，f和fin代表输入的卷积特征图，avgpool代表平均池化，maxpool代表最大池化，fn*n代表卷积核为n×n的卷积，fc代表全连接网络，σ为sigmoid激活函数，ac代表平均通道注意力机制，as代表空间注意力机制，fout代表平均空间注意力机制子模块的输出。
19、更加优选地，所述平均空间注意力机制对不同的特征信息和不同的位置点赋予不同的权值，用于自动过滤信息。
20、优选地，所述带钢表面缺陷检测模型的训练过程为：将预处理后的图像输入所述带钢表面缺陷检测模型，计算得到含有缺陷类别和缺陷位置的结果信息，结果信息与图片标签计算得到损失值，再进行反向传播更新模型参数，直至模型收敛。
21、根据本专利技术的另一个方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。
22、与现有技术相比，本专利技术具有以下有益效果：
23、1)本专利技术先对带钢表面缺陷图像进行有效的初步特征提取缺陷信息，然后通过多级特征融合获得缺陷的多尺度信息并进行特征融合，进而获得更显著的图像特征，有效提升对于带钢表面不同尺寸大小缺陷的检测精度。
24、2)本专利技术的初步特征提取模块和多级特征金字塔模块都使用平均空间注意力机制，对不同的特征信息和不同的位置点赋予不同的权值大小，实现对关键信息的筛选、提取和保留，并对有效的缺陷特征进行特征加强，能够对复杂场景下带钢表面缺陷进行准确、快速地检测。
本文档来自技高网...【技术保护点】
1.一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述的初步特征提取模块包括依次连接的五组特征提取子模块，分别为第一组特征提取子模块、第二组特征提取子模块、第三组特征提取子模、第四组特征提取子模块和第五组特征提取子模块。
3.根据权利要求2所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述第一组特征提取子模块由三个卷积网络堆叠而成，所述第二组特征提取子模块由一个卷积网络和两个跨阶局部网络层堆叠而成，所述第三组特征提取子模和第四组特征提取子模块均由一个降采样单元、一个平均空间注意力机制单元和一个跨阶局部网络层堆叠而成，所述第五组特征提取子模块由一个降采样单元、一个平均空间注意力机制单元、一个跨阶局部网络层和一个空间金字塔池化结构网络堆叠而成。
4.根据权利要求1所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述的多级特征金字塔模块在跨阶空间网络中加入了特征金字塔结构网络。
5.根据权利要求4所
6.根据权利要求4所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述多级特征金字塔模块对多级特征融合的计算过程用下式表示：
7.根据权利要求5所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述平均空间注意力机制的整体计算过程如以下公式：
8.根据权利要求7所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述平均空间注意力机制对不同的特征信息和不同的位置点赋予不同的权值，用于自动过滤信息。
9.根据权利要求1所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述带钢表面缺陷检测模型的训练过程为：将预处理后的图像输入所述带钢表面缺陷检测模型，计算得到含有缺陷类别和缺陷位置的结果信息，结果信息与图片标签计算得到损失值，再进行反向传播更新模型参数，直至模型收敛。
10.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9中任一项所述的方法。
...【技术特征摘要】
1.一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述的初步特征提取模块包括依次连接的五组特征提取子模块，分别为第一组特征提取子模块、第二组特征提取子模块、第三组特征提取子模、第四组特征提取子模块和第五组特征提取子模块。
3.根据权利要求2所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述第一组特征提取子模块由三个卷积网络堆叠而成，所述第二组特征提取子模块由一个卷积网络和两个跨阶局部网络层堆叠而成，所述第三组特征提取子模和第四组特征提取子模块均由一个降采样单元、一个平均空间注意力机制单元和一个跨阶局部网络层堆叠而成，所述第五组特征提取子模块由一个降采样单元、一个平均空间注意力机制单元、一个跨阶局部网络层和一个空间金字塔池化结构网络堆叠而成。
4.根据权利要求1所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述的多级特征金字塔模块在跨阶空间网络中加入了特征金字塔结构网络。
5.根据权利要求4所述的一种基于多级特征融合的带钢表面缺陷检测方法，其特征在于，所述多级特...
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。