[发明专利]一种轻量化的基于强注意力机制的工业缺陷图像分类方法

说明书

本发明涉及一种轻量化的基于强注意力机制的工业缺陷图像分类方法，包括以下步骤：1)构建工业缺陷数据集，2)对数据集进行预处理，3)将处理后的数据集进行数据增强操作，4)将增强后的数据集随机分为训练集和验证集，5)使用数据集训练基于注意力机制的分类网络，6)利用训练完的网络模型对工业数据进行分类。本发明采用了较为轻量化的Resnet18网络作为主干架构，网络较为精简，分类网络使用了一种强注意力的约束机制，能够加大对重点区域的关注，能够满足工业缺陷检测在分类精确度和分类速度方面的要求。

技术领域

本发明涉及视觉检测技术领域，尤其是一种能够在分类准确率和检测速度上都能达到的工业缺陷分类的检测要求的轻量化的基于强注意力机制的工业缺陷图像分类方法。

背景技术

工业缺陷分类算法是一类适用于在工业流水线上快速地判断出生产的零部件是正常还是异常的一种分类方法。工业缺陷分类算法主要是使用机器视觉算法的算法自动判断出产品等级，从而替代出流水线上的人工成本。由于在工业流水线上需要适合流水线上批量生产的速度，所以需要缺陷分类算法具有较快的分类检测速度。此外，产品的完美程度对于用户体验感是非常重要的，所以工业上对于分类算法的分类精确度要求很高，希望尽量能够检测到缺陷产品。虽然目前有很多机器视觉分类算法应用到工业生产中，但是由于各类分类算法的复杂度和分类精确度不同，造成了在工业曲线分类速度和分类精确度方面还有一些要完善和提高的地方，这也是提高机器视觉算法在工业缺陷应用领域应用体验感和舒适度。

工业缺陷的分类速度快慢取决于网络模型的大小，轻量化精简的网络模型能够获得较快的训练和分类速度，在保证网络分类性能的基础上设计出一个精简的分类网络模型是一项非常重要的工作，也是工业缺陷分类领域一直关注的问题。注意力机制实际上是从人类观察环境的规律而总结出来的，当人类在观察事物时，我们的视觉系统会更加倾向于关注图像中辅助判断的部分，而过滤掉一些不相关的部分信息，从而提高判断的准确率，提高模型的收敛速度。注意力机制的优点是使得输出特征图中重要的特征得到加强，而不重要的特征被抑制。最终，可以逐步提升网络的判别能力和收敛速度。

缺陷分类精确度和分类检测速度是工业缺陷检测中关键因素，对缺陷分类的准确度不仅仅可以提高生产产品的质量，而且可以在一定程度上提高工厂的生产效率，而对缺陷产品的分类速度直接影响该算法是否能够在工业生产中使用。产品能够正确分类的关键点是如何设计一种算法来提取到图像的关键特征，进而做出正确的类别判断，以及如何提取一组更为关键有效的特征表示和设计一组较为合理的分类器。

传统图像处理的方式是使用人工设置的方法根据图像的纹理结构来提取图像特征，然后再使用人工神经网络或者机器学习算法来对特征进行分类操作。但是这种传统的分类方法虽然分类速度较快，但是比较依赖于特征提取策略的选择和分类器的选择，有可能还会造成提取的特征与分类器不适合的问题。

目前而言，基于深度学习的分类算法在学术界和工业界得到了较为广泛的研究和应用。但是，对于工业场景中具体的分类问题来说，基于深度学习方法的分类总体精确度表现较好，但是还有提升的空间。基于深度学习的分类网络目前没有能达到很高的分类准确率的原因有很多，但是主要原因有三点：1、在分类性能方面，由于工业业务场景的不同，不同缺陷之间的区分程度不高，造成了缺陷间的误检测出现。2、在分类网络设计方面，由于不同的网络设计方式会捕获到不同的特征信息，但是在网络提取特征时，网络可能没有提取到关键的信息，因此而造成网络分类准确率不高的问题。3、在分类时间方面，由于工业上零部件的缺陷都非常小，因此使用相机采集到的图像都非常大，所以使用复杂的模型往往会在测试推理阶段时间非常长，达不到工业上流水线的速度。

针对工业场景中，工业缺陷图像分类精确度不高的问题。不同缺陷之间的区分程度不高的问题可以尝试从3D图像处理方面进行处理，这样能够获取到输入图像更多的信息，该方法可能从一定程度上，区分缺陷类别间的精度。但是目前基于3D图像处理方面的技术还不是很成熟，使用的不多。

发明内容