[发明专利]一种基于由粗到精检测策略的细微缺陷检测方法

权利要求书

1.一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，包括：

步骤1、采用CCD相机获取待测图像数据；

步骤2、构造缺陷区域定位网络并对待测图像进行预处理，初步定位缺陷位置；

步骤3、构造缺陷点检测网络，采用缺陷分割loss函数对缺陷点检测网络进行训练；

所述缺陷点检测网络包括：包含六个阶段的骨干网，双向特征金字塔网络，分类网络，回归网络；

所述包含六个阶段的骨干网中的输入图像为缺陷区域定位网络输出的图像，用于提取输入图像的缺陷特征；

所述六个阶段中，第一阶段包括一个卷积层和一个7×7的卷积核；

第二阶段包括一个3×3的最大池化层和一个密集块；

且第二阶段包含交替的1×1和3×3卷积核；

第三阶段和第四阶段分别由两个结构不同的密集块组成，用于加快特征的传播，提高缺陷特征图的利用率；

第五阶段由两个扩展的瓶颈组成，用于捕捉细小目标缺陷特征；

第六阶段由一个扩展的瓶颈组成，用于防止小目标特征丢失；

步骤4、采用缺陷点检测网络对初步定位缺陷位置后的图像中存在的细微缺陷进行定量提取分割。

2.根据权利要求1所述的一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，所述步骤2包括：

1)构造缺陷区域定位网络，包括骨干网、分类网络和回归网络；

2)将待测图像送入骨干网，使用一个1×1和一个3×3的卷积核进行图像中的缺陷信息提取；

3)将缺陷信息送入分类网络和回归网络中，分类网络预测每个锚中是否有同一个缺陷特征，回归网络预测每个锚盒的位置，实现缺陷位置初步定位。

3.根据权利要求2所述的一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，所述分类网络和回归网络共享同一层次的特征权重；

所述骨干网中的主干中，前五层是由四个卷积层和一个池化层组成的。

4.根据权利要求1所述的一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，所述双向特征金字塔网络用于对输入的缺陷特征进行融合特征映射，具体的：

先通过双向连接，获取不同缺陷特征的信息，再通过变加权特征融合，平衡不同层次的缺陷特征，运用的公式如下所示：

其中，0为双向特征金字塔网络输出特征；w_i为保证的变权值，w_i≥0；

ε是一个避免分母为零的参数；I_i表示来自第i层的特征。

5.根据权利要求1所述的一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，所述缺陷点检测网络中，分类网络用于进行缺陷位置预测，回归网络对缺陷进行定位回归，最后输出缺陷识别定位检测图。

6.根据权利要求5所述的一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，所述缺陷点检测网络中的分类网络和回归网络都各含两个卷积核，且共享一个公共输入特征映射，即融合特征映射。

7.根据权利要求1所述的一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，所述步骤3采用缺陷分割loss函数对缺陷点检测网络进行精度训练以及缺陷定量分割提取；

所述缺陷分割loss函数包括：

语义分割损失L_ss、边缘损失L_e，以及两个正则化损失函数；

所述语义分割损失和边缘损失，使用标准交叉熵CE损失和标准二叉交叉熵BCE损失来预测语义分割f和特征映射s；

其中，语义分割损失L_ss、边缘损失L_e定义如下：

其中，和为缺陷标号，λ₁和λ₂为两个平衡参数且λ₁、λ₂∈[0,1]。

8.根据权利要求7所述的一种基于由粗到精检测策略的细微缺陷检测方法，其特征在于，所述缺陷分割loss函数的后两部分为两个正则化损失函数，即第一个正则化损失函数和第二个正则化损失函数；

第一个正则化损失函数用于避免缺陷边缘与预测边缘不匹配，定义为：

其中，ζ为表示像素是否属于缺陷边缘值的置信值；

p⁺为预测的像素坐标集合；为相似值；

第二个正则化函数用于使用边缘预测来匹配语义预测，防止过拟合，定义如下：

1_s，p＝{1：s＞thrs}

其中，p和k分别表示为像素集和标签集，1_s，p为指标函数；

thrs为阈值，λ₃和λ₄为两个平衡参数，使得精度分割性能最佳。