[发明专利]一种基于特征融合的深度神经网络表面缺陷检测方法

权利要求书

1.一种基于特征融合的深度神经网络表面缺陷检测方法，采用编码器-解码器网络结构的深度卷积神经网络提取表面缺陷各卷积层特征，其特征在于，利用编码特征融合模块和两级级联解码模块将特征提取模块的各卷积层特征深度融合；

其中，用于提取特征的特征提取模块是基于ResNet50构成，其包括5个卷积层：1个输入卷积层和4个残差卷积层，5个卷积层的输出直接与编码特征融合模块相连，作为编码特征融合模块输入；

编码特征融合模块，是由若干特征交叉融合模块构成，由所述特征提取模块各卷积层输出的特征图尺寸是不同的，特征交叉融合模块先利用3×3步长为2的卷积操作对低层特征图进行下采样，使其特征图与高层特征图尺寸相同；然后对下采样后的低层特征图进行两种处理：一种是先进行平均池化操作，再进行1×1步长为1的卷积操作；另一种是只进行1×1步长为1的卷积操作，将第一种处理方式得到的特征图先与进行了1×1步长为1的卷积操作的高层特征图相乘，再与第二种处理方式得到的特征图相加；

如果特征交叉融合模块输入不包含特征提取模块输出的最高层特征图，则再与特征提取模块输出的最高层特征图相加，最后，各层特征图再进行一次卷积操作，统一各层特征图输出的通道数，由编码特征融合模块输出包含全局信息的各层特征图；

所述解码器的两级级联解码结构实现表面缺陷特征的深度融合并将两级解码器输出特征图融合作为最终检测结果；

所述两级级联解码模块包含若干特征融合解码模块，特征融合解码模块先将输入的两个特征图相加，再进行1×1步长为1卷积操作，然后其结果分别进行最大池化和全连接操作及平均池化和全连接操作，并将两部分特征图相加后进行sigmoid变换，最后与1×1步长为1卷积操作后的特征图相乘，得到特征融合解码模块的输出特征图；输入特征图是来自编码特征融合模块或下层特征融合解码模块；

所述的两级解码器各级采用相同的结构，第1级解码器最上层的特征融合解码模块的输出与该级其他各层的特征融合解码模块输出相加后送入到第2级解码器，而最上层特征融合解码模块的输出直接送到第2级解码器，各级解码器的输出经过边缘求精模块后进行拼接，再经过卷积融合得到最终检测结果。