[发明专利]一种基于弱监督深度学习的水下构筑物缺陷检测方法

权利要求书

1.一种基于弱监督深度学习的水下构筑物缺陷检测方法，其特征在于：包括以下步骤：

S1，以语义信息为标签对输入图像进行弱标注，训练弱监督下的卷积神经网络模型，对正常图像和有缺陷图像进行分类；

S2，利用卷积神经网络模型的第三层卷积层信息，实现深度显著性检测算法；

S3，根据深度显著性算法的检测结果，进行迭代聚类统一检测算法，训练一个可靠的水下构筑物图像异常点分类器；

S4，将迭代聚类统一检测分类器用于水下构筑物图像数据集进行评估测试。

2.根据权利要求1所述的一种基于弱监督深度学习的水下构筑物缺陷检测方法，其特征在于：S2中深度显著性检测算法步骤如下：

S21，将卷积神经网络模型中卷积层中的第三层t的特征图作为生成显著点的中间图像I^m；

S22，使用最大过滤器查找I^m中的局部最大值，并将其保存到列表L中；

S23，按强度的降序排序L，强度表示为strength(x)，其中x为L中的每一个元素；

S24，对L中的每一个元素x做如下操作：首先，将x添加进列表γ以实现初始化，然后，遍历每个元素x的8邻接域里同属于I^m的元素y,若公式strength(y)∈(strength(x)-z,strength(x))成立，则令并将标记为候选点，若则将作为有效最大值加入到列表γ中；其次，遍历元素的8邻接域里的每个元素y，若邻接点y的强度处于区间(strength(x)-z,strength(x))中，亦将其标记为候选点；继续访问该候选点的8邻接域，重复如上标记操作，直到发现某个候选点的所有邻接点y的强度满足strength(y)＜strength(x)-z，结束本过程，其中，z表示本算法中对灰度值的容忍度，由在最大值附近种子填充的范围来确定，如果被访问的邻接点y已存在于列表L中，则将它作为较弱的最大值从中L移除；最后，通过计算γ中所有元素的几何中心来产生一个显著点，几何中心由较宽图像区域中的最大值表征。

3.根据权利要求1所述的一种基于弱监督深度学习的水下构筑物缺陷检测方法，其特征在于：S3中迭代聚类统一算法步骤如下：

S31，令I_n和I_a分别表示正常图像和有缺陷图像训练集；

S32，设P_n和P_a为利用DSD算法从I_n和I_a中提取的显著点集合；

S33，迭代执行下述操作S次，其中S>1：对每一幅正常图像I_n，提取P_n的点状交叉特征PCFM，并将其点状交叉特征采用K-means聚类为正常集簇Q，簇内元素用N_q，q＝1,2,...Q表示；对每一幅有缺陷图像I_a，提取P_a的点状交叉特征表示，并将其点状交叉特征采用K-means聚类为异常集簇R，簇内元素用A_r,r＝1,2,...R表示；

S34，令Q＝Q·S,R＝R·S；

S35，对异常集簇R中的每一个元素A_r,r＝1,2,...R做如下操作：在A_r和N_q之间，计算各个点之间的距离d_rq(A_r,N_q),q＝1,2,...Q，然后按升序对距离d_rq排序；接着，计算归一化距离d_rq12＝d_rq1/d_rq2，其中d_rq1和d_rq2分别表示A_r到其最近的相邻集簇中点N_q1和N_q2之间的距离，即使用聚类质心之间的欧几里德距离来估计聚类之间的距离；

S36，从S35得到的所有距离d_rq12中估计出平均归一化距离d_q12；

S37，对异常集簇中的每一个元素A_r做如下操作：若公式d_rq12＜d_q12成立，则将该元素A_r从异常集簇中剔除，归入正常集簇。