[发明专利]基于注意力机制的全卷积网络织物疵点检测方法

权利要求书

1.一种基于注意力机制的全卷积网络织物疵点检测方法，其特征在于，其步骤如下：

S1、将大小为M×M的图像X输入全卷积网络，利用改进的VGG16网络的多层卷积结构提取图像X的多级多尺度中间深度特征图；

S2、利用注意力机制分别对步骤S1中的多级多尺度中间深度特征图进行处理，得到多级多尺度深度特征图；

S3、利用双线性插值分别对步骤S2中的多级多尺度深度特征图进行上采样，得到尺寸相同的多级特征图；

S4、利用短连接结构分别对多级特征图进行融合，得到多级显著图；

S5、采用加权融合对多级显著图进行融合，获得疵点图像的最终显著图。

2.根据权利要求1所述的基于注意力机制的全卷积网络织物疵点检测方法，其特征在于，所述步骤S1中改进的VGG16网络包括6个阶段，分别为Conv1、Conv2、Conv3、Conv4、Conv5和Pool5阶段，阶段Conv1、Conv2、Conv3、Conv4、Conv5和Pool5依次连接，其中，阶段Conv1包括卷积层Conv1_1、Conv1_2和池化层Pool1，阶段Conv2包括卷积层Conv2_1、Conv2_2和池化层Pool2，阶段Conv3包括卷积层Conv3_1、Conv3_2、Conv3_3和池化层Pool3，阶段Conv4包括卷积层Conv4_1、Conv4_2、Conv4_3和池化层Pool4，阶段Conv5包括卷积层Conv5_1、Conv5_2和Conv5_3，阶段Pool5为池化层Pool5。

3.根据权利要求1或2所述的基于注意力机制的全卷积网络织物疵点检测方法，其特征在于，所述图像X依次经卷积层Conv1_2、Conv2_2、Conv3_3、Conv4_3、Conv5_3和池化层Pool5分别输出图像X的多级多尺度初步深度特征图其中，为第i级初步深度特征图，i＝1,2,…,6，C_i为第i级初步深度特征图的通道数，H_i为第i级初步深度特征图的高度，W_i为第i级初步深度特征图的宽度。

4.根据权利要求3所述的基于注意力机制的全卷积网络织物疵点检测方法，其特征在于，所述第i级初步深度特征图经三次卷积输出第i级中间深度特征图

5.根据权利要求1或4所述的基于注意力机制的全卷积网络织物疵点检测方法，其特征在于，所述注意力机制包括通道注意力模块和空间注意力模块，多级多尺度中间深度特征图分别经过通道注意力模块和空间注意力模块得到多级多尺度特征图的方法为：

S21、利用平均池化函数和最大池化函数分别对第i级深度特征图进行池化，得到第i级深度特征图的平均池化特征和最大池化特征

S22、将步骤S21中的平均池化特征和最大池化特征输入共享网络中，获得通道注意力图谱

其中，σ为Sigmoid函数，W₀、W₁均为通道注意力模块的参数，b₁、b₂均为通道注意力模块的偏执量；

S23、利用平均池化函数和最大池化函数分别对通道注意力图谱M_i,ca进行池化，得到平均池化特征和最大池化特征

S24、将平均池化特征和最大池化特征连接，并通过标准卷积层进行卷积，得到空间注意力图谱M_i,sa：其中，b₃为空间注意力模块的偏执量，f_s(；)为卷积函数；

S25、根据步骤S21至步骤S24计算第i级深度特征图F_i：其中，表示逐元素乘法。

6.根据权利要求1所述的基于注意力机制的全卷积网络织物疵点检测方法，其特征在于，所述利用短连接结构分别对多级特征图进行融合，得到多级显著图的方法为：

其中，为m级输出到i级输出的短连接权重，为第i级显著图，F_m为第m级深度特征图，F_i为第i级深度特征图。

7.根据权利要求6所述的基于注意力机制的全卷积网络织物疵点检测方法，其特征在于，所述疵点图像的最终显著图为：其中，f_i为融合权重。