[发明专利]结合注意力机制与自适应记忆性融合网络的瑕疵检测方法

权利要求书

1.结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：包括训练阶段和测试阶段；

所述训练阶段通过对带有标签的织物瑕疵数据集进行训练得到织物瑕疵检测模型；

所述测试阶段通过所述训练阶段得到的织物瑕疵检测模型进行检测与识别；

所述训练阶段包括以下步骤，

将带有标签的瑕疵图像输入骨干网络SCNet中，提取不同尺度瑕疵特征；

所述瑕疵特征通过自适应记忆性特征融合网络进行不同尺度瑕疵特征融合和浅层定位信息增强，得到三个不同尺度结合了浅层定位信息和高层语义信息的特征图；

在所述特征图的基础上，根据groundtruth，进行损失计算；

使用随机梯度算法SGD进行反向传播，更新网络权重；

所述骨干网络SCNet引入了SCBAM注意力机制，通过所述SCBAM注意力机制对所述带有标签的瑕疵图像进行特征提取；

在SCBAM通道维度中使用软池化SoftPool进行下采样，在反向传播期间，内核领域R内的所有激活将至少被分配一个最小梯度值；

所述SCBAM注意力机制包括，

在SCBAM通道模块，引入SoftPool，提取更多细节信息；

W₀∈R^C/r×C,W₁∈R^C×C/r,

式中，σ为sigmoid操作，r表示减少率，W₀，W₁为MLP权重，W₀后面需要接ReLU激活，C表示神经网络MLP输入、输出维度数，c表示通道维度，F代表输入特征图；

在骨干网络中引入SCBAM注意力机制，在下采样激活映射中保留了更多的信息，更精细的下采样导致更好的分类精度，SCBAM在通道维度的模块结构中，输入特征，首先经过SoftPool池化操作，得到一个1×1×C的特征图，接着，再送入一个两层的神经网络MLP；然后将MLP输出的特征进行sigmoid激活操作，生成最终的通道注意力特征图；将得到的特征图和输入特征图做element-wise乘法操作，生成空间注意力模块需要的输入特征；

将SCBAM引入到CSPDarknet53特征提取网络中，构成骨干网络SCNet，将骨干网络SCNet提取的基本特征送入到自适应记忆性融合网络中进行融合；

所述自适应记忆性融合网络，采用自适应空间特征融合方式融合骨干网络SCNet提取的三个不同尺度特征，生成融合后的特征I，

α_ij+β_ij+γ_ij＝1,

式中，I_ij表示特征I在(i,j)位置上的特征向量，表示骨干网络SCNet输出的3个不同尺度特征在(i,j)位置上的特征向量,α_ij,β_ij,γ_ij表示3个输入特征在(i,j)位置的权重,λ_α,λ_β,λ_γ通过1×1卷积得到；

通过所述自适应记忆性融合网络生成所述特征I后还包括以下步骤，

在得到融合后的特征后，增加一条自底向上的通路；

将骨干网络SCNet的特征引入特征融合层。

2.如权利要求1所述的结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：所述测试阶段包括以下步骤，

将测试瑕疵图像输入到训练好的织物瑕疵检测模型中；

所述测试瑕疵图像通过所述骨干网络SCNet提取基本特征，获得不同尺度瑕疵特征图；

所述瑕疵特征通过自适应记忆性特征融合网络进行不同尺度瑕疵特征融合，得到结合了浅层定位信息和高层语义信息的特征图；

根据所述训练阶段训练好的织物瑕疵检测模型权重，得到预测框。