[发明专利]一种基于边缘信息的钢铁表面缺陷显著性检测方法

说明书

本发明公开了一种基于边缘信息的钢铁表面缺陷显著性检测方法，首先构建基于边缘信息的钢铁表面缺陷显著性检测模型，包括编码器部分、边缘信息提取模块和解码器部分；通过编码器部分提取显著性信息，通过边缘信息提取模块获得边缘信息，最后通过解码器部分融合显著性信息与边缘信息，输出模型预测的结果图。本发明方法通过在编码器部分引入通道注意力机制，对于所提取信息当中重要的部分赋予更大权重，从而使得编码器能更有效地提取信息。本发明还利用编码器输出的信息，提取获得边缘信息并用于指导解码器部分结果图的生成，加强了前景与背景边界区域的检测能力，从而有效地对钢铁表面缺陷区域进行显著性检测。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于边缘信息的钢铁表面缺陷显著性检测方法。

背景技术

近年来，显著性检测作为计算机视觉领域的基础技术，成功被应用于图像分割、视频质量评价和行人识别等多个方面并发挥了重要作用。由于其在各计算机视觉子领域中均具有较好的应用前景，于是受到研究人员的广泛关注。钢铁表面缺陷检测作为显著性检测的一个新的研究方向，由于其前景与背景对比度低以及缺陷区域尺寸多变的问题，导致相关方向的研究较少。

钢铁表面图像与传统图像差异性较大，传统图像的前景与背景对比度高，易于区分两者边界，且显著目标尺寸大多一致，便于模型确定目标位置。而钢铁表面图像前景与背景对比度低，难以有效区分两者边界，且缺陷区域尺寸多变，模型较难准确定位多个缺陷区域位置。

显著性检测分为基于传统方法、基于机器学习的方法和基于深度学习的方法。深度学习凭借其强大的学习能力，近年来受到研究人员的青睐，大量的基于深度学习的显著性检测方法也被提出并应用。最近，研究人员将目光转向针对钢铁表面缺陷的显著性检测任务，并取得了一定成果。

然而，当前的针对钢铁表面缺陷的显著性检测方法还不能有效地区分前景与背景的边界，并且对于不同尺度缺陷区域的检测能力不足以满足实际生活的需要。

发明内容

针对现有技术存在的不足，本发明提供了一种基于边缘信息的钢铁表面缺陷显著性检测方法。

本发明方法包括以下步骤：

步骤(1).构建基于边缘信息的钢铁表面缺陷显著性检测模型；

所述的显著性检测模型包括编码器部分、边缘信息提取模块和解码器部分；所述的编码器部分以ResNet-34模型为基础，最后一层采用Basic Block构建，用于提取显著性信息。

所述的边缘信息提取模块包括三个连续的卷积层组成的卷积块和两个卷积层，用于获取边缘信息。

所述的解码器部分以三个连续的卷积层组成的卷积块为基本块构建而成；

步骤(2).通过编码器部分提取显著性信息，具体方法如下：

首先，在编码器内部各层之间加入通道注意力机制；之后，对编码器各层输出的信息进行加权处理，从而实现对信息的有效提取；最后，将提取所得的显著性信息送入解码器当中。

步骤(3).通过边缘信息提取模块获得边缘信息，具体方法如下：

首先，将编码器后三层输出的信息分别通过三个连续的卷积层组成的卷积块进行处理；之后，通过级联的方式，分别利用两个卷积层逐步融合来自三层的边缘信息；最后，对各边缘信息进行深度监督，获得最终的边缘信息。

步骤(4).通过解码器部分融合显著性信息与边缘信息；

解码器各层的输入为对应编码器部分的显著性信息、边缘信息以及解码器前一层的信息；将以上三种(解码器第一层输入为两种)信息通过拼接操作合并，之后利用三个卷积层构成的卷积块(卷积核尺寸为3×3，步长为1)对合并的信息进行融合并送入下一层；最后，解码器最后一层输出模型预测的结果图。