[发明专利]一种基于神经网络可视化的摄像模组镜头脏污检测方法

权利要求书

1.一种基于神经网络可视化的摄像模组镜头脏污检测方法，其特征在于，包括如下步骤：

步骤1，采集摄像模组镜头图像，将图像分为缺陷样本和非缺陷样本；

步骤2，采用数据增广方法，对步骤1采集的图像进行数据增光，将图片的数量扩展为采集图像数量的8倍；

步骤3，搭建CNN模型，将图像从低维特征向高维特征学习，提取步骤2图像的特征，再对所述图像的特征进行全局均值池化，计算每个图像的特征的全图均值；

步骤4，采用均值为0，方差为0.001的高斯分布初始化网络，结果通过Softmax归一化，得到步骤3模型的模型参数；

步骤5，将步骤4训练好的模型进行推理运算，得到类激活图，以确认模型学习结果成功；

步骤6，对步骤5得到的类激活图进行自适应切割，得到检测图像的脏污检测结果。

2.根据权利要求1所述的一种基于神经网络可视化的摄像模组镜头脏污检测方法，其特征在于，所述步骤1包括如下步骤：

步骤1.1，电子显微镜采集所述摄像模组镜头的图像；

步骤1.2，对步骤1.1采集的图像分类，得到脏污图像和非脏污图像。

3.根据权利要求1所述的一种基于神经网络可视化的摄像模组镜头脏污检测方法，其特征在于，所述步骤2的数据增广方式包括随机左右翻转、随机水平翻转、随机亮度变化、随机颜色变化、随机旋转90°。

4.根据权利要求1所述的一种基于神经网络可视化的摄像模组镜头脏污检测方法，其特征在于，所述步骤3的CNN模型包含注意力模块，其数学表达式为：

式中，是全局注意力池化的权重；表示Bottleneck Transform；表示对某一层的所有神经元的进行Normalize操作。

5.根据权利要求1所述的一种基于神经网络可视化的摄像模组镜头脏污检测方法，其特征在于，所述步骤3的全局均值池化采用如下数学表达式：

其中F_i表示全局均值化结果，f_i(x,y)表示第i幅特征图中(x,y)位置的像素值，M,N表示特征图的大小。

由下式，可以得到每一类激活图的预测值：

式中，f_i表示最后一个卷积层输出的特征图，其中i表示特征图的序号，f_i(x,y)的含义同全局均值池化数学表达式中其含义，F_i的含义同全局均值池化数学表达式中的含义，表示第c类第i幅特征图对应的权重.

则每一类激活图的预测值又可表示为下式：

其中，CAM^c(x,y)表示第c类的类激活图，类激活图中不同位置(x,y)处的响应强度代表对分类的贡献大小。