[发明专利]基于可融合的特征金字塔的换向器内侧图像缺陷检测方法

说明书

本发明涉及基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，包括：步骤S1，特征提取网络将提取的多级别特征输入多尺度特征金字塔网络的特征拼接模块；步骤S2，所述特征拼接模块对输入的多级别特征进行拼接，并将拼接后的多级别特征输入多尺度特征金字塔网络中的编解码模块；步骤S3，所述编解码模块根据所述特征拼接模块输入的特征生成具有多个尺度的特征；步骤S4，所述多尺度特征金字塔网络的特征聚合模块将所述步骤S1中的多级别特征与所述步骤S3中的多尺度特征聚合为可融合的特征金字塔，检测网络通过在可融合的特征金字塔后添加数个卷积层获取卷积神经网络；步骤S5，对卷积神经网络进行训练，获取检测结果。

技术领域

本发明涉及目标检测领域，尤其涉及基于可融合的特征金字塔的换向器内侧图像缺陷检测方法。

背景技术

近些年，不同结构的特征金字塔被提出，功能也不断被完善，但是目前使用的特征金字塔只是根据其具有多尺度金字塔结构的特征提取网络构建特征金字塔模块，而这些特征金字塔的多尺度主要为了分类任务设计的，在换向器内侧图像缺陷检测领域中检测缺陷图像不太契合，对检测任务具有局限性，无法将多级别特征和多尺度特征进行融合，从而得到更丰富的特征信息，提高换向器内侧图像缺陷检测的精度和速度。

中国专利ZL201910242976.2公开了基于特征金字塔网络的特征增强目标检测方法，其技术特征为在送入目标检测器之前采用的骨干网络模型中增加自顶向下模块TDM、自底向上模块BUM和融合扩展模块FEM，从而形成新型的增强特征金字塔网络eFPN，但其只考虑到了骨干网络输出的特征，获取的特征信息较少且不够准确。

发明内容

为此，本发明提供基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，可以解决无法将多层级特征和多尺度特征融合以解决特征金字塔在对换向器内侧图像缺陷检测中的局限性的技术问题。

为实现上述目的，本发明提供基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，包括：

步骤S1，特征提取网络提取待检测换向器内侧图像的多级别特征，并将提取的多级别特征输入多尺度特征金字塔网络的特征拼接模块；

步骤S2，所述特征拼接模块对输入的多级别特征进行拼接，并将拼接后的多级别特征输入多尺度特征金字塔网络中的编解码模块；

步骤S3，所述编解码模块根据所述特征拼接模块输入的特征生成具有多个尺度的特征；

步骤S4，所述多尺度特征金字塔网络的特征聚合模块将所述步骤S1中的多级别特征与所述步骤S3中的多尺度特征聚合为可融合的特征金字塔，检测网络通过在可融合的特征金字塔后添加数个卷积层获取卷积神经网络，其中，所述特征聚合模块对多级别特征和多尺度特征的聚合过程包括：

步骤S41，沿相等比例的通道维度将多尺度特征与多级别特征进行特征连接，形成特征块；

步骤S42，将全局空间信息压缩为一个通道描述，并对特征块进行全局平均池化；

步骤S43，全面捕获通道依赖性以利用压缩操作中汇聚的信息；

步骤S44，将特征块重新加权输出；

步骤S5，对卷积神经网络进行训练，并将待检测换向器内侧图像的图片集依次输入训练完成的卷积神经网络，得到预测框集合，将预测框的坐标值在图片上标注，获取检测结果。

进一步地，在所述步骤S42中，所述特征聚合模块通过Squeeze操作将全局空间信息压缩为一个通道描述，并对特征块进行全局平均池化，形式上，统计z∈R^C是通过在空间维度上W×H收缩U生成的，其中，z的第c个元素为，

其中，u_c(i，j)表示第c个元素在空间维度W×H上第(i，j)位置处的统计信息。