[发明专利]基于视觉注意力机制的钢轨表面缺陷检测方法及系统

权利要求书

1.一种基于视觉注意力机制的钢轨表面缺陷检测方法，其特征在于，包括以下步骤：

S1：获取钢轨表面图像数据；

S2：对获取的钢轨表面图像数据进行FT显著图提取；

S3：对获取的钢轨表面图像数据进行CA显著图提取；

S4：将步骤S2提取的FT显著图与步骤S3提取的CA显著图进行小波融合；

S5：对融合后的显著图进行阈值分割；

S6：使用YOLOv5算法架构对分割后的图像进行缺陷分类检测。

2.根据权利要求1所述的基于视觉注意力机制的钢轨表面缺陷检测方法，其特征在于，步骤S2中进行FT显著图提取时，使用Sobel模板作为导数算子，通过计算图像灰度沿着水平和垂直两个方向的偏导数，进而得出梯度的大小和方向，然后采用FT显著性算法对图像进行高斯模糊处理，以滤除具有高频信号的随机噪声，并得到高斯平滑后的Lab颜色特征，然后将梯度幅值加入到图像的平均特征中，并通过得到FT显著图，其中表示高斯平滑后的Lab颜色特征，I_μ表示加入梯度幅值后的图像平均特征，S_(x,y)表示提取的FT显著图。

3.根据权利要求1或2所述的基于视觉注意力机制的钢轨表面缺陷检测方法，其特征在于，步骤S3中进行CA显著图提取时，包括以下步骤：

S31：将获取的钢轨表面图像数据从RGB空间转换到Lab空间；

S32：在尺度r下，将图像分割成K个区域，并按照：

计算区域P_i中像素的显著值其中表示区域P_i和区域P_j之间的距离，且按照：计算，其中表示区域P_i和区域P_j之间的颜色欧式距离，表示区域P_i和区域P_j之间的空间欧氏距离，c为修正系数；

S33：改变尺度r，计算多个尺度下各个区域像素的显著值的平均值；

S34：从产生的显著图中提取每个尺度上最受关注的局部区域；

S35：将最受关注的局部区域之外的每个像素根据其与最近关注像素的欧几里德距离进行加权，重新定义显著值；

S36：使用高斯分布矩阵来突出中心区域的显著值，并基于中心区域的显著值和步骤S35重新定义的显著值的乘积来确定最终显著值，从而得到CA显著图。

4.根据权利要求3所述的基于视觉注意力机制的钢轨表面缺陷检测方法，其特征在于，

步骤S33中按照：计算多个尺度下各个区域像素的显著值的平均值，其中R表示系统预设的多个尺度的集合，M表示系统预设的尺度数量；

步骤S35中按照重新定义显著值，其中表示在尺度r情况下，第i个区域与最近关注像素的欧几里德距离。

5.根据权利要求1所述的基于视觉注意力机制的钢轨表面缺陷检测方法，其特征在于，步骤S4中首先分别在水平方向与垂直方向对图像进行小波变换，对图像进行数值统计，对高频和低频部分以不同准则分别进行融合计算，之后再从垂直方向与水平方向进行小波逆变换，，得出重构后的融合图。

6.根据权利要求1所述的基于视觉注意力机制的钢轨表面缺陷检测方法，其特征在于，步骤S5中采用最大类间方差法确定像素的类间方差最大时的灰度级别作为分割阈值进行图像分割。

7.根据权利要求1所述的基于视觉注意力机制的钢轨表面缺陷检测方法，其特征在于，步骤S6中使用的YOLOv5算法架构包括骨干网络部分、特征融合层部分和骨干网检测层部分，骨干网络部分用于完成特征提取，特征融合层部分先是自上而下与骨干网络特征图融合，实现强语义特征传递，再自下而上实现强定位特征传递；骨干网检测层部分输出3个尺度的特征图，用于检测小、中、大物体。