[发明专利]基于注意力机制的多尺度微小瑕疵检测方法

说明书

本发明涉及瑕疵检测技术领域，具体的说是基于注意力机制的多尺度微小瑕疵检测方法，通过获取训练样本集和测试样本集，构建基于注意力机制的多尺度YOLOv5模型，对基于注意力机制的多尺度YOLOv5模型网络进行迭代训练，获取微小瑕疵目标缺陷图像的识别结果，采用了数据增强与卷积块注意力机制模，提高网络的特征提取能力，对通道特征具有强化重要信息，抑制无关信息的作用，能够使得网络提取出更加关键的特征，从而提高检测效率，并且采用YOLOv5处理算法，大大提升了算法运行速度，实现在线实时检测，优化了检测层的结构，使得本发明适用于不同大小规格的车标，本发明算法速度快，可以实现在线实时检测。

技术领域

本发明涉及一种检测方法，具体为基于注意力机制的多尺度微小瑕疵检测方法，属于瑕疵检测技术领域。

背景技术

随着国内企业数字化的发展，许多传统企业需要就行数字化转型。目前，国内的许多企业在商品的质量检测上，依然依靠人眼辨识，这种人工识别的方法，随着观察时间的增加，检测员的眼睛过度疲劳，导致准确率会降低，检测时间会下降，最终影响生产效率。由于计算机视觉技术有自动、准确且能够快速识别的特点，因此，将计算机视觉技术应用于产品质量检测方面具有极其重要的意义和实际价值。

作为机器视觉检测的一种，现行表面缺陷检测技术，一般为使用工业相机采集被测物图像，处理图像得到被测物的瑕疵信息。表面缺陷检测技术目前已经广泛的应用在视觉检测的各个领域之中，它已经成为自动化生产中确保产品质量的一个非常重要的环节。表面质量检测相对于肉眼来说具有更高的精确程度，速度更快，能让更多的企业省时省力，取代人工，同时也节约了成本，安全与高效并存。表面质量检测基于机器视觉检测技术，对于工件表面存在斑点、缺损以及色差等缺陷进行检测。

微小瑕疵检测作为表面缺陷检测的一个分支，解决一般表面缺陷检测容易出现的错分、漏检等问题，该类缺陷目标在整个图像中所占的像元很少，并且信噪比低、背景区域分布不均匀、背景与目标灰度值区分不明显等。例如车标检测上的刮伤、漏镀、颗粒、异色、凹痕等微小缺陷。

然而，现阶段的微小瑕疵检测算法大多针对大于1mm的瑕疵，对于大小为0.1-0.2mm瑕疵的检测算法较少且精度较低。例如车标采集回的图像大小为5500×3600像素，0.2mm的瑕疵在图像中的投影大小为2×2，占比约为千万分之二。相比于其他算法，图像大小是3000×2000像素，瑕疵投影大小却占据20×20像素，占比约为十万分之六。现阶段的算法针对微小瑕疵进行处理，耗时短的计算快的，漏检率高，而漏检率低的算法，由于耗时原因，难以实现在线检测，难以对车标的微小瑕疵进行精准在线检测。

有鉴于此特提出本发明，以解决现有技术中对微小瑕疵检测速度慢和漏检率高的问题。

发明内容

本发明的目的就在于为了解决上述问题而提供基于注意力机制的多尺度微小瑕疵检测方法，用于解决对微小瑕疵检测速度慢和漏检率高的问题。

本发明通过以下技术方案来实现上述目的，基于注意力机制的多尺度微小瑕疵检测方法，包括以下步骤：

步骤一、获取训练样本集和测试样本集；

步骤二、构建基于注意力机制的多尺度YOLOv5模型；

步骤三、对基于注意力机制的多尺度YOLOv5模型网络进行迭代训练；

步骤四、获取微小瑕疵目标缺陷图像的识别结果。