工业图像缺陷检测方法、装置、计算机设备、存储介质和程序产品与流程

本申请涉及计算机视觉与深度学习，特别是涉及一种工业图像缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、在工业视觉检测中，目标缺陷往往具有尺寸小、形态细碎、对比度低且易被背景纹理干扰等特点，且产线要求实时或准实时推理。现有的基于深度学习的目标检测模型通常是通过特征金字塔（如fpn）融合不同层级语义信息，并引入注意力机制以强化显著区域与小目标表达，进而识别出目标缺陷。

2、然而，传统引入有注意力机制的目标检测方案，针对大面积背景下的细碎缺陷仍难以高效精准捕捉，缺陷检测精度不高，导致漏检率偏高。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够更为精确的工业图像缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本申请提供了一种工业图像缺陷检测方法，包括：

3、获取待检工业图像，对所述待检工业图像进行预处理，得到目标图像张量；

4、将所述目标图像张量输入至已训练的目标检测网络，通过所述目标检测网络对所述目标图像张量进行逐层特征提取，输出待增强高阶特征，所述目标检测网络通过携带缺陷标注信息的历史工业图像训练得到；

5、对所述待增强高阶特征进行特征增强处理，所述特征增强处理包括：通过预设的状态空间建模机制对所述待增强高阶特征进行全局上下文依赖建模，生成全局建模特征，通过预设的可插拔注意力机制对所述全局建模特征进行多维度特征加权，得到缺陷增强特征；

6、对所述缺陷增强特征与浅层特征进行多尺度融合，得到多尺度融合特征；

7、对所述多尺度融合特征进行缺陷检测，得到缺陷检测结果。

8、在其中一个实施例中，所述通过预设的状态空间建模机制对所述待增强高阶特征进行全局上下文依赖建模，生成全局建模特征，包括：

9、对所述待增强高阶特征进行线性投影，将所述待增强高阶特征映射至隐式状态域，得到隐式特征；

10、对所述隐式特征进行隐藏状态混合处理，通过预设的通道维度混合权重与空间维度混合权重对所述隐式特征进行特征筛选与邻域特征提取，得到混合特征；

11、通过状态递推机制对所述混合特征进行前向传播，生成全局上下文特征；

12、将所述全局上下文特征与所述待增强高阶特征进行残差连接，并进行归一化处理，生成所述全局建模特征。

13、在其中一个实施例中，所述通过预设的可插拔注意力机制对所述全局建模特征进行多维度特征加权，得到缺陷增强特征，包括：

14、对所述全局建模特征进行通道注意力加权处理，通过生成通道权重向量对目标特征通道进行响应放大，得到通道加权特征；

15、对所述通道加权特征进行空间注意力加权处理，通过生成空间权重掩码对目标空间区域进行定位增强，得到空间加权特征；

16、将所述通道加权特征与所述空间加权特征进行融合运算，输出所述缺陷增强特征。

17、在其中一个实施例中，所述目标检测网络包括特征提取子网络和多尺度融合子网络，所述状态空间建模机制与所述可插拔注意力机制部署于所述特征提取子网络的末端节点与所述多尺度融合子网络的首端节点之间；

18、所述对所述待增强高阶特征进行特征增强处理，包括：

19、将通过所述状态空间建模机制提取所述待增强高阶特征中的长距离纹理关联特征，并通过所述可插拔注意力机制对所述长距离纹理关联特征中的低对比度特征进行响应增强。

20、在其中一个实施例中，所述对所述多尺度融合特征进行缺陷检测，得到缺陷检测结果，包括：

21、对所述多尺度融合特征进行边界框回归与类别概率预测，生成初始检测结果，所述初始检测结果包括边界框坐标、目标置信度及缺陷类别；

22、对所述初始检测结果进行非极大值抑制处理，剔除冗余检测框，得到所述缺陷检测结果。

23、在其中一个实施例中，所述对所述待检工业图像进行预处理，得到目标图像张量，包括：

24、对所述待检工业图像进行尺度归一化处理，将其映射至预设的分辨率尺寸；

25、对尺度归一化后的图像进行像素值标准化处理，抑制全局光照缓变背景，保留所述待检工业图像中缺陷边缘的梯度变化、亮暗突变及纹理不连续信息，得到所述目标图像张量。

26、第二方面，本申请还提供了一种工业图像缺陷检测装置，装置包括：

27、图像获取模块，用于获取待检工业图像，对所述待检工业图像进行预处理，得到目标图像张量；

28、特征提取模块，用于将所述目标图像张量输入至已训练的目标检测网络，通过所述目标检测网络对所述目标图像张量进行逐层特征提取，输出待增强高阶特征，所述目标检测网络通过携带缺陷标注信息的历史工业图像训练得到；

29、增强模块，用于对所述待增强高阶特征进行特征增强处理，所述特征增强处理包括：通过预设的状态空间建模机制对所述待增强高阶特征进行全局上下文依赖建模，生成全局建模特征，通过预设的可插拔注意力机制对所述全局建模特征进行多维度特征加权，得到缺陷增强特征；

30、融合模块，用于对所述缺陷增强特征与浅层特征进行多尺度融合，得到多尺度融合特征；

31、检测模块，用于对所述多尺度融合特征进行缺陷检测，得到缺陷检测结果。

32、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器进行所述计算机程序时实现上述任意一项工业图像缺陷检测方法实施例中的步骤。

33、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行时实现上述任意一项工业图像缺陷检测方法实施例中的步骤。

34、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器进行时实现上述任意一项工业图像缺陷检测方法实施例中的步骤。

35、上述工业图像缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，利用状态空间建模机制替代传统的全局注意力计算，以线性计算复杂度实现了对高阶特征的全局上下文依赖建模，有效捕捉了工业缺陷的长距离纹理关联，显著降低了模型在高分辨率图像处理时的算力开销；同时，结合可插拔注意力机制对建模后的特征进行多维度加权，定向增强了缺陷关键区域的特征响应并抑制背景噪声，这种协同处理方式不仅解决了复杂工业背景下微小或低对比度缺陷难以识别的难题，还大幅提升了检测精度，能够显著降低漏检率。

1.一种工业图像缺陷检测方法，其特征在于，方法包括：

2.根据权利要求1所述的工业图像缺陷检测方法，其特征在于，所述通过预设的状态空间建模机制对所述待增强高阶特征进行全局上下文依赖建模，生成全局建模特征，包括：

3.根据权利要求1所述的工业图像缺陷检测方法，其特征在于，所述通过预设的可插拔注意力机制对所述全局建模特征进行多维度特征加权，得到缺陷增强特征，包括：

4.根据权利要求1所述的工业图像缺陷检测方法，其特征在于，所述目标检测网络包括特征提取子网络和多尺度融合子网络，所述状态空间建模机制与所述可插拔注意力机制部署于所述特征提取子网络的末端节点与所述多尺度融合子网络的首端节点之间；

5.根据权利要求1至4任意一项所述的工业图像缺陷检测方法，其特征在于，所述对所述多尺度融合特征进行缺陷检测，得到缺陷检测结果，包括：

6.根据权利要求1至4任意一项所述的工业图像缺陷检测方法，其特征在于，所述对所述待检工业图像进行预处理，得到目标图像张量，包括：

7.一种工业图像缺陷检测装置，其特征在于，所述装置包括：

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器进行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一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，所述计算机程序被处理器进行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器进行时实现权利要求1至6中任一项所述的方法的步骤。