[发明专利]注意力尺度感知引导的轻量化U-net方法、装置及存储介质

说明书

本发明涉及注意力尺度感知引导的轻量化U‑net方法、装置及存储介质，应用于工件表面缺陷区域分割技术领域中，包括：通过注意力感知模块获取最深层特征F的平均池化结果以及最大池化结果，再将权值共享的1×1卷积层分别应用到平均池化结果以及最大池化结果上；基于获得的特征F1以及特征F2生成注意力A，经过缩放操作后生成特征Fscale，最后通过可学习参数a对特征Fscale和输入的最深层特征F之间进行元素求和运算，输出特征Fsubgt;SSAM/subgt;；本方案通过使用注意力尺度感知模块，通过可感知尺度地注意力机制，学习判别多缺陷目标的尺度特征，有效地聚焦了缺陷目标的判别性特征，抑制复杂背景的干扰，有效地避免了背景纹理等特征容易与缺陷混淆的问题。

技术领域

本发明涉及工件表面缺陷区域分割技术领域，具体涉及注意力尺度感知引导的轻量化U-net方法、装置及存储介质。

背景技术

近年来，基于深度学习算法的高精度工件表面缺陷区域分割取得快速发展。现有代表性方法采用U-Net等编码器-解码器架构、或者DeeplabV3等方法，通过融合图像的底层空间细节和高层判别语义等多层级特征实现多尺度特征的有效融合，或者通过不同感受野范围的膨胀卷积金字塔，聚合不同距离范围的上下文信息，实现对缺陷区域的预测；

但是由于工业实际应用场景复杂多变，缺陷形式变化多样，且背景纹理等特征容易与缺陷混淆，形成类内差异大、类间差异小的问题，U-Net等代表性方法在缺陷区域分割过程中, 仅关注融合不同层级的多尺度特征，以及融合不同感受野的上下文信息，或者空间和通道维度的注意力机制，难以有效地抑制复杂背景干扰。

发明内容

有鉴于此，本发明的目的在于提供注意力尺度感知引导的轻量化U-net方法、装置及存储介质，以解决现有技术中，在缺陷区域分割过程中，仅关注融合不同层级的多尺度特征，以及融合不同感受野的上下文信息，或空间和通道维度的注意力机制，而忽略了复杂的背景干扰，导致背景纹理等特征容易与缺陷混淆的问题。

根据本发明实施例的第一方面，提供注意力尺度感知引导的轻量化U-net方法，包括：

将待分割的图像输入到分割网络中，经过多层卷积以及池化操作后，得到多层不同级别的特征图，选取最深层特征F；

将最深层特征F输入到注意力尺度感知模块中，用于获取最深层特征F的平均池化结果以及最大池化结果；

注意力感知模块将权值共享的1×1卷积层分别应用到平均池化结果以及最大池化结果上，得到特征F1以及特征F2；

基于特征F1以及特征F2生成强调最深层特征F中对应特征的注意力A；

基于特征F1、特征F2以及注意力A生成缩放后的特征Fscale；

通过可学习参数a对特征Fscale和输入的最深层特征F之间进行元素求和运算，得到特征F_SSAM；

对注意力尺度感知模块输出的特征F_SSAM执行上采样操作，并将采样结果与多层不同级别的特征图进行融合得到特征X_m，将特征X_m通过一层卷积后输出待分割的图像的缺陷区域的分割结果。

优选地，

所述将最深层特征F输入到注意力尺度感知模块中，用于获取最深层特征F的平均池化结果以及最大池化结果包括：

将最深层特征F输入到注意力尺度感知模块中；

注意力尺度感知模块通过并行的最大池化操作以及平均池化操作分别对最深层特征F进行聚合处理，得到最深层特征F的平均池化结果以及最大池化结果。

优选地，

所述输出待分割的图像的缺陷区域的分割结果包括：