[发明专利]一种改进的基于深度学习的复杂纹理图像瑕疵检测方法

权利要求书

1.一种改进的基于深度学习的复杂纹理图像瑕疵检测方法，其特征在于该方法包括以下步骤：

步骤1：将待检测的可能包含复杂纹理的图片，输入至RecoNet50的网络中进行特征提取，得到候选区域；

步骤2：将得到的候选区域通过卷积得到相应的复杂纹理的瑕疵特征；

步骤3：将卷积后的特征图通过最大池化层来减少参数量；

步骤4：将经过layer1和layer2之后得到的特征图先通过1*1的卷积操作，按通道平均分成s个子集，定义为：子特征X_i,i∈{1,2,...,s}，每个特征都有相同大小的尺寸，但通道是输入的1/s；

步骤5：每个子特征都有相应的3*3的卷积核和involution kernel，分别定义为K_i()和H_i()，其输出为Y_i；子特征X_i都和H_i-1()相加，然后输入到K_i()；Y_i表达如下：

步骤6：将每一个子特征得到的输出进行拼接，之后通过一个1*1的卷积核将特征进行特征融合；

步骤7：经过特征融合后的结果再通过一个SE block来进一步提升精度，得到更具表征能力的特征图；

步骤8：将步骤7中得到的结果作为Layer4的输入，并经过3个bottleneck的处理得到特征图；

步骤9：将步骤8中得到的特征图经过最大池化操作、全连接操作和softmax分类，最终输出复杂纹理的检测的结果。

2.根据权利要求1所述的一种改进的基于深度学习的复杂纹理图像瑕疵检测方法，其特征在于：步骤5具体是：

将子特征中的第一个子特征先通过一个3*3的卷积，再将得到的结果经过一个involution卷积核，同时在两个卷积核的两端都加上残差连接，得到的结果为Y1；

将子特征中的第二个子特征和第一个输出相加，然后输入到3*3的卷积核中，再将得到的结果经过一个involution卷积核，同时在两个卷积核的两端都加上残差连接，得到的结果为Y2；

将子特征中的第三个子特征和第二个输出相加，然后输入到3*3的卷积核中，再将得到的结果经过一个involution卷积核，同时在两个卷积核的两端都加上残差连接，得到的结果为Y3；

将子特征中的第四个子特征和第三个输出相加，然后输入到3*3的卷积核中，再将得到的结果经过一个involution卷积核，同时在两个卷积核的两端都加上残差连接，得到的结果为Y4。