[发明专利]一种基于卷积注意力神经网络的缺陷工件图像识别方法

说明书

本发明公开了一种基于卷积注意力神经网络的缺陷工件图像识别方法，包括对卷积神经网络进行预训练权重形成特征提取网络用于的到输入图像输入的深度特征；对深度特征图像进行卷积操作，得到注意力图并进行归一化；对归一化的注意力图进行注意力区域裁剪和丢弃并重新输入卷积神经网络进行训练；将待识别的缺陷工件图像输入训练好的卷积神经网络得到的特征图与注意力图进行点积操作，获得新的部位特征图；对部位特征图进行最大值池化操作获得注意力特征，将所有的注意力特征进行堆叠，获得部位特征矩阵，完成缺陷图像的分类识别。本发明提高了工件缺陷检测的准确率，能够适用于各种微小缺陷检测任务。

技术领域

本发明涉及一种缺陷工件图像识别方法，特别是涉及一种基于卷积注意力神经网络的缺陷工件图像识别方法。

背景技术

工件铸造生产中可能存在多种缺陷问题，工件表面的缺陷可以通过直接观察等方法判断，但是有些缺陷存在于工件内部，这就无法通过观察判断，往往借助于X光图像进行无损检测。对于X光图像的判别，以往是由人工进行的，判别效率较低。随着人工智能的发展，尤其是机器学习等算法的发展，应用计算机进行缺陷判别提高了效率。但是机器学习算法也存在通用性差的问题，针对一种工件需要构建一种对应的模型，系统开发繁琐，虽然整体上效率较人工识别已经提高，但是识别过程耗时仍然较长，准确性有限。

现有的非接触无损缺陷工件识别的问题主要是：基于机器视觉的缺陷图像分类，由于工件缺陷的多样性和细微差异，设计一个鲁棒性好、通用性强的缺陷检测算法是一个非常具有挑战性的问题，通常效果不理想；基于卷积神经网络的缺陷识别，对于微小缺陷(如裂缝缺陷)的效果较差，因为微小缺陷占整幅图像空间比例太小，容易被图像其他位置的信息所掩盖。

发明内容

针对上述现有技术的缺陷，本发明提供了一种基于卷积注意力神经网络的缺陷工件图像识别方法，解决微小缺陷容易被忽略造成识别率偏低的问题。

本发明技术方案如下：一种基于卷积注意力神经网络的缺陷工件图像识别方法，包括以下步骤：

步骤1、对卷积神经网络进行预训练权重形成特征提取网络，将输入图像输入到所述特征提取网络中，得到对应的深度特征；

步骤2、对所述深度特征构成的深度特征图像进行卷积操作，得到注意力图并进行归一化；

步骤3、对所述归一化的注意力图中的注意力区域裁剪，并放大至与所述输入图像同等大小重新作为所述卷积神经网络的新的输入仅用于分类任务进行训练；丢弃所述注意力图中的部分注意力区域后得到新图像作为所述卷积神经网络的新的输入仅用于分类任务进行训练；

步骤4、将待识别的缺陷工件图像输入训练好的所述卷积神经网络得到的深度特征图与通过所述步骤1和步骤2得到的注意力图进行点积操作，获得新的部位特征图；对所述部位特征图再进行最大值池化操作获得注意力特征，将所有的所述注意力特征进行堆叠，获得部位特征矩阵，完成缺陷图像的分类识别。

进一步地，对所述卷积神经网络进行训练时，使用中心损失函数与交叉熵损失函数加权融合作为模型优化损失函数。

进一步地，所述使用中心损失函数与交叉熵损失函数加权融合作为模型优化损失函数对所述卷积神经网络进行训练时，利用梯度下降法对所述卷积神经网络进行训练。

进一步地，所述卷积神经网络为VGG或ResNet网络。

进一步地，所述步骤1的输入图像为带有缺陷类别标签的工件数据集。

本发明所提供的技术方案的优点在于：

在卷积神经网络(CNN)模型作为工件分类网络的基础上，引入注意力机制，通过注意力机制中的空间注意力方法提取特征图中的重要特征，然后与CNN网络中的特征图相乘，对特征图进行加权，增大特征图中重要特征的权值，自动筛选有效特征，进而提高了工件缺陷检测的准确率。