[发明专利]视觉注意力网络系统及工件表面缺陷检测方法

说明书

为解决现有非接触无损工件缺陷检测识别准确率低、检测效果较差、已被图像非缺陷位置信息所掩盖的技术问题，本发明提供了一种视觉注意力网络系统及工件表面缺陷检测方法，在卷积神经网络模型作为工件分类网络的基础上，加入视觉注意力模块，通过视觉注意力模块生成的软注意力模板提取特征图中的重要特征，进而提升了CNN模型对具有表面缺陷的工件的识别准确率。

技术领域

本发明属于深度学习、机器视觉领域，涉及一种视觉注意力网络系统及基于该视觉注意力网络系统的工件表面缺陷检测方法，能提升对工件表面缺陷的检测识别准确率。

背景技术

工件在工业生产线上铸造的过程中，由于生产工艺等问题会导致部分工件存在表面缺陷，如破损和划痕。这些有缺陷的工件会直接影响到后续使用和加工的安全性，因此对工件的缺陷检测是现代化大生产中必不可少的环节。传统的工件缺陷检测通常由人工完成，人工进行工件缺陷检测容易受到个人主观经验、注意力以及外界环境等因素的影响。同时，人工方式对高速移动或微小缺陷的工件进行检测时很容易出现误检和漏检。因此，非接触无损的工件缺陷检测对现代工业生产具有重要的意义。

现有的非接触无损工件缺陷检测，主要是包括以下几种方式：

1、红外检测、漏磁检测和涡流检测；这些检测方法存在检测速度慢、无法准确分类、容易产生能源浪费等问题。

2、基于机器视觉的表面缺陷检测；由于工件种类的多样性，设计一个鲁棒性好、通用性强的缺陷检测算法是一个非常具有挑战性的问题，通常不易实现。

3、基于卷积神经网络的表面缺陷检测；当工件表面出现微小缺陷，如划痕缺陷，此时缺陷检测的效果较差，因为微小缺陷占整幅图像空间比例太小，容易被图像其他位置的信息所掩盖。

发明内容

为解决现有非接触无损工件缺陷检测识别准确率低、效率低、检测效果较差、易被图像非缺陷位置信息所掩盖的技术问题，本发明提供了一种视觉注意力网络系统及工件表面缺陷检测方法，在卷积神经网络(CNN)模型作为工件分类网络的基础上，加入视觉注意力模块，通过视觉注意力模块生成的软注意力模板提取特征图中的重要特征，进而提升了CNN模型对具有表面缺陷的工件的识别准确率。

本发明的技术方案是：

视觉注意力网络系统，其特殊之处在于：包括依次连接的至少一个图像特征处理单元、一个全局平均池化层和一个softmax分类器；

单个图像特征处理单元包括一个卷积模块一、至少一个卷积模块二、一个注意力模块和一个乘法模块；

单个图像特征处理单元中卷积模块二为一个时，卷积模块二与注意力模块并行设置；卷积模块一的输出作为注意力模块与卷积模块二的输入，注意力模块与卷积模块二的输出作为乘法模块的输入；

单个图像特征处理单元中卷积模块二为多个时，多个卷积模块二依次连接后，与注意力模块并行设置；卷积模块一的输出作为注意力模块与首个卷积模块二的输入，注意力模块与最后一个卷积模块二的输出作为乘法模块的输入；

卷积模块一用于对其接收的图像进行卷积处理提取特征，且卷积模块一输出的特征图尺寸为其所接收图像的二分之一；

卷积模块二用于对接收到的特征图进行卷积处理提取特征，且卷积模块二输出的特征图尺寸与其接收到的特征图尺寸相同；

所述视觉注意力网络系统用于对工件进行表面缺陷检测，并输出检测结果。

进一步地，所述卷积模块一包括并行的两个支路，其中一个支路上依次设置有第一卷积核、第二卷积核和第三卷积核；

第一卷积核用于对卷积模块一接收的图像进行处理，第一卷积核输出的特征图通道数小于卷积模块一最终输出特征图的通道数；