表面微弱缺陷检测方法

本公开涉及图像检测与深度学习，更具体地，涉及一种表面微弱缺陷检测方法。

背景技术：

1、在高端智能制造领域，金属材料作为关键基础构件被广泛应用于工业生产过程，但是金属材料的表面存在的划痕、擦伤、凹坑、脏污等缺陷会直接影响产品的性能、可靠性与使用寿命，因此对金属表面缺陷进行高效、精准的检测是工业精密质检的重要环节。然而，当前金属表面缺陷检测面临诸多技术难题：金属表面普遍具有强镜面反射特性，易形成高反光干扰而淹没微弱缺陷特征；缺陷本身与背景对比度低、边缘模糊、特征显著性弱；同时复杂工艺纹理易造成背景干扰，进一步加剧缺陷漏检、误检问题。

2、现有的检测方式中，人工目视检测主观性强、效率低下，漏检误检率高，难以适配大规模工业生产的高效质检需求；基于单一光源与固定成像方案的传统机器视觉方法，难以有效凸显微弱缺陷特征，对复杂背景的抗干扰能力差，检测精度不足；而现有深度学习检测模型未针对金属高反光、低对比度的特殊场景进行针对性优化，对微弱缺陷的空间特征提取能力与通道特征筛选能力不足，定位精度低，无法满足工业精密质检对微弱缺陷的检测要求。因此，亟需一种能够有效抑制高反光干扰、增强微弱缺陷特征、提升检测精度与定位能力的表面微弱缺陷检测方案。

技术实现思路

1、有鉴于此，本公开提供了一种表面微弱缺陷检测方法，可解决上述至少部分技术问题。

2、本公开的提供了一种表面微弱缺陷检测方法，包括：获取待测对象的表面缺陷图像；将表面缺陷图像输入已训练好的神经网络模型中进行处理，输出表面缺陷类别；其中，已训练好的神经网络模型包括主干网络，主干网络中的输入端采用空间注意力模块替换原始标准卷积层，通过空间注意力模块提取表面缺陷图像的全局特征和局部空间特征，将全局特征与根据局部空间特征生成的空间权重进行加权融合处理，输出增强特征，以增强缺陷区域特征并抑制背景反光干扰。

3、根据本公开的实施例，空间注意力模块包括标准卷积分支和空间注意力分支；提取表面缺陷图像的全局特征和局部空间特征，并将全局特征与根据局部空间特征生成的空间权重进行加权融合处理，输出增强特征，包括：通过标准卷积分支提取表面缺陷图像的全局特征；通过空间注意力分支提取表面缺陷图像的局部空间特征；根据局部空间特征生成空间权重；将全局特征与空间权重进行加权融合处理，输出增强特征。

4、根据本公开的实施例，根据局部空间特征生成空间权重，包括：将局部空间特征进行批归一化、非线性映射、标准卷积和特征映射处理，生成空间权重。

5、根据本公开的实施例，空间注意力分支包括：深度卷积层、二维批归一化层、激活层、卷积层和映射层；将局部空间特征进行批归一化、非线性映射、标准卷积和特征映射处理，生成空间权重，包括：通过深度卷积层提取缺陷图像的局部空间特征；通过二维批归一化层将局部空间特征进行标准化处理；通过激活层将二维批归一化层输出的特征进行非线性映射处理；通过卷积层将激活层输出的特征进行通道整合和特征提纯处理；通过映射层将卷积层输出的特征进行映射处理，生成与全局特征尺寸一致的空间权重。

6、根据本公开的实施例，空间注意力模块还包括：特征融合层；将全局特征与空间权重进行加权融合处理，输出增强特征，包括：通过特征融合层将全局特征与空间权重逐元素相乘，输出增强特征。

7、根据本公开的实施例，已训练好的检测模型还包括颈部网络，用于将主干网络输出的多尺度特征进行融合处理，输出多尺度融合特征。

8、根据本公开的实施例，颈部网络包括特征金字塔网络。

9、根据本公开的实施例，颈部网络还包括：注意力模块，设置于特征金字塔网络中，通过注意力模块的自适应卷积将经拼接后的主干网络输出的多尺度特征中的深层特征和中层特征进行全局平均池化处理，输出加权特征。

10、根据本公开的实施例，通过注意力模块的自适应卷积将经拼接后的主干网络输出的多尺度特征中的深层特征和中层特征进行全局平均池化处理，输出加权特征，包括：将经拼接后的主干网络输出的多尺度特征中的深层特征和中层特征通过全局平均池化处理输出一维通道向量；根据通道总数将一维通道向量进行自适应卷积输出卷积特征向量；基于卷积特征向量输出通道权重；将通道权重与特征提取模块输出的特征进行加权处理，输出加权特征。

11、根据本公开的实施例，获取待测对象的表面缺陷图像，包括：通过预设的四环八向光源对待测对象的表面缺陷进行采样，生成表面缺陷图像。

12、根据本公开的实施例的表面缺陷检测方法，至少具有以下技术效果：

13、通过空间注意力模块对输入图像同时提取全局特征与局部空间特征，并基于局部空间特征生成空间权重，将全局特征与该空间权重进行加权融合，有效增强缺陷区域特征表达，同时抑制表面强反光、复杂背景纹理等干扰信息，解决了传统检测方法中微弱缺陷特征易被淹没、与背景对比度低、边缘模糊导致的漏检、误检问题。该模块在主干网络输入端即实现对缺陷特征的自适应增强，为后续网络的特征提取与分类提供更清晰、更具区分度的特征表示，显著提升了模型对低对比度微弱缺陷的检测精度与定位准确性，降低了工业场景下的质检误差，能够更好地满足高端智能制造领域表面精密缺陷检测的高效、可靠需求。

1.一种表面微弱缺陷检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述空间注意力模块包括标准卷积分支和空间注意力分支；

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述局部空间特征生成所述空间权重，包括：

4.根据权利要求3所述的方法，其特征在于，所述空间注意力分支包括：深度卷积层、二维批归一化层、激活层、卷积层和映射层；

5.根据权利要求1或2所述的方法，其特征在于，所述空间注意力模块还包括：特征融合层；

6.根据权利要求1所述的方法，其特征在于，所述已训练好的检测模型还包括颈部网络，用于将所述主干网络输出的多尺度特征进行融合处理，输出多尺度融合特征。

7.根据权利要求6所述的方法，其特征在于，所述颈部网络包括特征金字塔网络。

8.根据权利要求7所述的方法，其特征在于，所述颈部网络还包括：注意力模块，设置于所述特征金字塔网络中，通过所述注意力模块的自适应卷积将经拼接后的所述主干网络输出的多尺度特征中的深层特征和中层特征进行全局平均池化处理，输出加权特征。

9.根据权利要求8所述的方法，其特征在于，所述通过所述注意力模块的自适应卷积将经拼接后的所述主干网络输出的多尺度特征中的深层特征和中层特征进行全局平均池化处理，输出加权特征，包括：

10.根据权利要求1所述的方法，其特征在于，所述获取待测对象的表面缺陷图像，包括：