【技術實現步驟摘要】
本專利技術屬于工業缺陷檢測，具體是一種基于亮度適應增強和內容感知的模糊標注缺陷檢測方法。
技術介紹
1、在復雜的生產工藝和多變的生產環境下，工業產品表面常出現裂紋、劃痕、斑點等缺陷，這些缺陷不僅會影響產品的外觀質量，還可能降低其耐腐蝕性和機械強度，增加其在使用過程中的斷裂風險，最終威脅產品的安全性與可靠性。基于視覺的缺陷檢測技術應運而生，憑借高精度和高效的檢測能力，被廣泛應用于工業產品的質量控制中。
2、近年來，基于深度學習的目標檢測方法被用于缺陷檢測，例如faster?r-cnn、ssd以及yolo系列等，這些方法在處理大規模數據時表現出強大的實時性和檢測性能，顯著提升了工業生產線的自動化水平和檢測效率，但是在實際應用中仍面臨數據標注的準確性和一致性問題。工業缺陷檢測通常需要大量的高質量標注數據用于模型的訓練和驗證，然而，由于缺陷類型的多樣性、標注標準的不統一、以及標注人員對缺陷嚴重程度理解的偏差，導致標注結果存在模糊性，例如多人標注時對同一目標產生的差異性，單人標注前后對同一目標產生的差異性，統稱為模糊標注。模糊標注主要在兩個層面上影響模型性能：一方面，模糊標注會導致模型在訓練時無法準確區分相似類別的缺陷，從而影響模型的收斂和預測效果；另一方面，帶有模糊標簽的數據可能增加模型的誤檢率和漏檢率，尤其是在面對邊界模糊或難以判斷的缺陷時，模型的表現往往會不穩定。基于此，本申請提出一種基于亮度適應增強和內容感知的模糊標注缺陷檢測方法。
技術實現思路
1、針對現有技術的不足，
2、本專利技術解決所述技術問題采用如下的技術方案：
3、一種基于亮度適應增強和內容感知的模糊標注缺陷檢測方法，其特征在于，該方法包括以下步驟：
4、第一步：獲取模糊標注數據集，并進行數據增強；
5、首先，將同一類別缺陷的圖像轉換為灰度圖，計算灰度圖中所有像素值之和，得到圖像的平均亮度；計算任意兩張圖像的平均亮度之差的絕對值，若絕對值小于等于亮度差閾值，則兩張圖像之間允許相互增強，否則，不允許相互增強，進而對同一類別缺陷的圖像進行篩選，篩選出允許相互增強的圖像組；
6、然后，根據缺陷的標注信息，利用kde算法生成缺陷的概率密度圖，根據概率密度圖確定缺陷的常見位置；將允許相互增強的圖像組中的一張圖像作為源圖像，另一張圖像作為目標圖像，根據缺陷的常見位置，利用nms算法在目標圖像上生成多個候選位置，選取置信度最高的候選位置作為粘貼位置；將源圖像中隨機的一個缺陷的所有像素復制粘貼到目標圖像的粘貼位置，得到增強圖像；遍歷所有允許相互增強的圖像組，完成數據增強，進而得到增強后的數據集；
7、第二步：構建缺陷檢測模型；所述缺陷檢測模型包括基于可變形注意力的特征提取網絡、內容感知的高效聚合特征融合網絡以及檢測頭，基于可變形注意力的特征提取網絡包括yolov8模型的骨干網絡和可變形注意力模塊；
8、輸入圖像經過yolov8模型的骨干網絡提取特征，將yolov8模型的骨干網絡最后三個特征提取層的輸出特征分別經過可變形注意力模塊，得到基于可變形注意力的特征提取網絡的輸出特征、和；將特征、和輸入到內容感知的高效聚合特征融合網絡中，特征經過下采樣得到的特征與特征通過一個特征融合塊進行融合，得到特征；特征經過carafe上采樣得到的特征、特征以及特征經過下采樣后的特征通過一個特征融合塊進行融合，得到特征；特征經過carafe上采樣得到的特征與特征通過一個特征融合塊進行融合，得到特征；特征經過卷積，得到特征；特征和分別經過下采樣得到的特征與特征通過一個特征融合塊進行融合，得到特征；特征和分別經過下采樣得到的特征與特征通過一個特征融合塊進行融合，得到特征；將內容感知的高效聚合特征融合網絡的輸出特征、以及輸入到檢測頭中進行檢測，得到檢測結果；
9、第三步：利用增強后的數據集對缺陷檢測模型進行訓練，將訓練后的缺陷檢測模型用于缺陷檢測。
10、進一步的，在模型訓練過程中，通過式（2）的損失函數計算訓練損失；
11、（2）
12、式中，是預測框與真實框之間的交并比，是預測框和真實框中心點之間的歐幾里得距離，是包含預測框與真實框的最小外接矩形的對角線長度，是平衡參數，是長寬比的一致性度量，是預測框與真實框之間的kl散度。
13、與現有技術相比，本專利技術的有益效果是：
14、1、在數據增強層面，針對工業缺陷存在模糊標注的情況，本專利技術提出了一種亮度適應數據增強方式，遵循了復制粘貼數據增強的關鍵思想，但是與復制粘貼數據增強不同的是，亮度適應數據增強充分考慮了源圖像與目標圖像之間的亮度差異，只有當亮度差異滿足條件的情況下才允許兩張圖像進行相互增強，避免增強后的圖像中缺陷與背景的亮度差異較大，進而避免模型錯誤地將差異信息識別為缺陷信息，有利于提高模型的誤檢率和漏檢率。在增強過程中，充分利用缺陷的標注信息確定粘貼位置，將粘貼位置選擇在缺陷的常見位置，進而提高缺陷與目標圖像的視覺一致性，避免缺陷在目標圖像中顯得突兀。
15、2、在網絡模型層面，對于模糊標注問題，由于無論怎樣標注，缺陷都會被完整的標注出來，因此模型采用可變形注意力模塊和內容感知的高效聚合特征融合網絡在特征層面進行引導，使模型更加聚焦缺陷的共性特征，有利于提高檢測準確度，進一步避免漏檢和誤檢。
16、3、在構建損失函數時，將邊界框建模為散度信息以提高對邊界框的約束性，并將kl散度損失與ciou損失進行結合，在保證檢測精度的同時提高了檢測的置信度。
本文檔來自技高網...【技術保護點】
1.一種基于亮度適應增強和內容感知的模糊標注缺陷檢測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于亮度適應增強和內容感知的模糊標注缺陷檢測方法，其特征在于，在模型訓練過程中，通過式（2）的損失函數計算訓練損失；
3.根據權利要求1或2所述的基于亮度適應增強和內容感知的模糊標注缺陷檢測方法，其特征在于，所述特征融合塊采用跨階段局部網絡CSPNet。
【技術特征摘要】
1.一種基于亮度適應增強和內容感知的模糊標注缺陷檢測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于亮度適應增強和內容感知的模糊標注缺陷檢測方法，其特征在于，在模型訓...
【專利技術屬性】
技術研發人員：劉坤，李宇航，張陳晨，李美瑤，黃思源，孔令軒，李文淅，王悅竹，李基，
申請(專利權)人：河北工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。