一种钢丝绳缺陷检测方法、装置、设备及介质
本申请涉及缺陷检测领域,特别是涉及一种钢丝绳缺陷检测方法、装置、设备及介质。
背景技术:
1、钢丝绳是矿山提升机、电梯系统、起重机和悬索桥等重工业装备中的关键承载部件。由于长期承受交变载荷、摩擦磨损和复杂环境作用,其表面容易出现断丝、电击伤和磨损等结构性缺陷。若这些缺陷未能被及时检测,可能导致承载能力下降,甚至引发严重的设备故障和安全事故。因此,开展高精度、实时化的钢丝绳表面缺陷检测具有重要工程意义。
2、近年来,基于深度学习的视觉检测方法逐渐成为工业缺陷检测的重要技术路线。然而,钢丝绳缺陷检测仍面临较大挑战。一方面,断丝和磨损等缺陷通常呈现细长、不规则和弱边界特征,局部电击伤则具有尺度小、对比度低等特点;另一方面,钢丝绳表面存在明显的周期性股丝纹理,并伴随金属反光、局部阴影和背景噪声等干扰因素。这些因素使得模型难以稳定区分真实缺陷边界、正常股丝纹理和复杂背景响应,进而导致微小缺陷漏检和复杂磨损区域定位不准。
3、传统卷积神经网络(convolutional neural network,cnn)检测器,例如单次前向目标检测(you only look once,yolo)系列,在推理速度方面具有明显优势,但其特征建模主要依赖局部卷积,对长距离上下文关系和复杂拓扑结构的表达能力有限,同时依赖非极大值抑制(non-maximum suppression,nms)等后处理步骤。基于变换器(transformer)的检测变换器(detection transformer,detr)架构通过集合预测方式实现端到端检测,避免了nms后处理。进一步地,实时检测变换器(real-time detection transformer,rt-detr)在实时性和检测精度之间取得了较好平衡,并逐渐被应用于工业缺陷检测任务。然而,直接将标准rt-detr应用于钢丝绳缺陷检测仍存在一定局限,计算开销大,检测精度也有待提升。
技术实现思路
1、本申请的目的是提供一种钢丝绳缺陷检测方法、装置、设备及介质,可降低钢丝绳缺陷检测的计算复杂度,提高检测精度。
2、为实现上述目的,本申请提供了如下方案。
3、第一方面,本申请提供了一种钢丝绳缺陷检测方法,包括如下步骤。
4、获取目标钢丝绳图像。
5、将所述目标钢丝绳图像输入高精度轻量级缺陷检测模型,得到所述目标钢丝绳图像的缺陷检测结果。
6、其中,所述高精度轻量级缺陷检测模型基于改进rt-detr模型构建;所述改进rt-detr模型包括:主干网络、高效混合编码器以及解码器与检测头。
7、所述主干网络用于提取不同尺度的特征图;所述主干网络中引入参数高效细粒度特征提取模块;所述参数高效细粒度特征提取模块基于部分卷积机制以及一维通道注意力机制提取特征图。
8、所述高效混合编码器用于对不同尺度的特征图进行编码、自适应对齐与聚合,得到融合特征;所述高效混合编码器中引入高低频级联组注意力编码器和频率引导校准融合模块;所述高低频级联组注意力编码器用于通过高频局部建模、低频全局建模和级联组注意力交互,对不同尺度的特征图中的最高层特征图进行编码,得到高层编码特征;所述频率引导校准融合模块用于基于不同尺度的特征图和所述高层编码特征,通过通道门控权重和空间门控权重进行特征融合,得到所述融合特征。
9、所述解码器与检测头用于对所述融合特征进行解码和检测,得到缺陷检测结果。
10、所述改进rt-detr模型在训练过程的损失函数中引入方向自适应损失。
11、第二方面,本申请提供了一种钢丝绳缺陷检测装置,包括如下模块。
12、图像获取模块,用于获取目标钢丝绳图像。
13、缺陷检测模块,用于将所述目标钢丝绳图像输入高精度轻量级缺陷检测模型,得到所述目标钢丝绳图像的缺陷检测结果。
14、其中,所述高精度轻量级缺陷检测模型基于改进rt-detr模型构建;所述改进rt-detr模型包括:主干网络、高效混合编码器以及解码器与检测头。
15、所述主干网络用于提取不同尺度的特征图;所述主干网络中引入参数高效细粒度特征提取模块;所述参数高效细粒度特征提取模块基于部分卷积机制以及一维通道注意力机制提取特征图。
16、所述高效混合编码器用于对不同尺度的特征图进行编码、自适应对齐与聚合,得到融合特征;所述高效混合编码器中引入高低频级联组注意力编码器和频率引导校准融合模块;所述高低频级联组注意力编码器用于通过高频局部建模、低频全局建模和级联组注意力交互,对不同尺度的特征图中的最高层特征图进行编码,得到高层编码特征;所述频率引导校准融合模块用于基于不同尺度的特征图和所述高层编码特征,通过通道门控权重和空间门控权重进行特征融合,得到所述融合特征。
17、所述解码器与检测头用于对所述融合特征进行解码和检测,得到缺陷检测结果。
18、所述改进rt-detr模型在训练过程中损失函数中引入方向自适应损失。
19、第三方面,本申请提供了一种计算机设备,包括:存储器、处理器以及存储在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述中任一项所述的钢丝绳缺陷检测方法。
20、第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述中任一项所述的钢丝绳缺陷检测方法。
21、根据本申请提供的具体实施例,本申请具有以下技术效果:本申请提供了一种钢丝绳缺陷检测方法、装置、设备及介质,采用高精度轻量级缺陷检测模型对目标钢丝绳图像进行缺陷检测;高精度轻量级缺陷检测模型基于改进rt-detr模型构建;改进rt-detr模型的主干网络中引入参数高效细粒度特征提取模块,基于部分卷积机制和一维通道注意力机制提取特征图,在大幅削减计算冗余的同时,显著增强了对细长目标的细粒度特征提取能力;高效混合编码器中引入高低频级联组注意力编码器和频率引导校准融合模块,通过高频局部建模、低频全局建模和级联组注意力交互对最高层特征图进行编码,增强局部缺陷细节与全局上下文的协同表征;通过频率引导校准融合模块将高层编码特征与其他尺度特征进行自适应融合,从而增强多尺度缺陷表征并抑制背景冗余响应;模型在训练过程的损失函数中引入方向自适应损失,为具有强方向性的缺陷施加精确的边界框回归约束。因此,本申请能在降低钢丝绳缺陷检测的计算复杂度的同时,提高检测精度。
1.一种钢丝绳缺陷检测方法,其特征在于,包括:
2.根据权利要求1所述的钢丝绳缺陷检测方法,其特征在于,所述主干网络包括:依次连接的初始特征提取模块、第一基础特征提取单元、第二基础特征提取单元、第一参数高效特征提取单元和第二参数高效特征提取单元;所述第一参数高效特征提取单元和所述第二参数高效特征提取单元均包括:参数高效细粒度特征提取模块;
3.根据权利要求1所述的钢丝绳缺陷检测方法,其特征在于,所述参数高效细粒度特征提取模块包括:部分卷积模块和一维通道注意力模块;
4.根据权利要求1所述的钢丝绳缺陷检测方法,其特征在于,所述高效混合编码器包括:第一高效混合编码层和第二高效混合编码层;
5.根据权利要求1所述的钢丝绳缺陷检测方法,其特征在于,所述高低频级联组注意力编码器包括:通道拆分模块、高频局部分支、低频全局分支和通道拼接模块;
6.根据权利要求1所述的钢丝绳缺陷检测方法,其特征在于,所述频率引导校准融合模块包括:高层语义分支、低层空间分支和全维度拼接层;
7.根据权利要求1所述的钢丝绳缺陷检测方法,其特征在于,所述方向自适应损失的计算公式为:
8.一种钢丝绳缺陷检测装置,其特征在于,包括:
9.一种计算机设备,包括:存储器、处理器以及存储在存储器上并能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的钢丝绳缺陷检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的钢丝绳缺陷检测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com