[发明专利]一种基于等变正则化自监督注意力网络的金属表面缺陷检测方法、设备和储存介质

说明书

本发明属于图像分割技术领域，且公开了一种基于等变正则化自监督注意力网络的金属表面缺陷检测方法，包括以下步骤：对图像分割网络训练时，使用SEAM算法利用孪生网络结构融合等变注意力机制进行对比学习，设计易于插入的高响应区域抑制模块提升SEAM的特征提取效果来获取目标区域生成伪掩膜。本发明通过设计了一种新的的特征提取模块，融合通道注意力的高响应区域抑制模块(DRS)，通过可学习的抑制因子来削弱网络对显著特征的关注度，使得网络能够捕捉到更多的缺陷特征，然后通过替换主干网络中的残差单元的激活函数层ReLU的方式集成到SEAM网络中，通过融合通道注意力的高响应区域抑制模块提升SEAM的特征提取效果。从而得到更精确的金属表面缺陷的分割图像。

技术领域

本发明属于图像分割技术领域，具体为一种基于等变正则化自监督注意力网络的金属表面缺陷检测方法、设备和储存介质。

背景技术

传统金属表面缺陷检测方法可分为两类：图像处理方法和基于手工特征的机器学习方法。图像处理方法使用局部异常反射来检测缺陷，包括Gabor滤波器、边缘检测、Kittler方法等。图像处理方法无法利用缺陷的内部特征，导致将某些零件、边界、纹理视为缺陷。基于手工特征的机器学习方法使用例如方向梯度直方图(HOG)、局部二值模式(LBP)、灰度共生矩阵(GLCM)等算法进行特征提取，然后通过训练好的分类器来确定输入图像是否有缺陷。以上传统方法缺乏对实际金属检测环境的适应性和鲁棒性。近几年来，深度学习发展迅速，基于卷积神经网络的语义分割算法因其强大的特征表达优势和建模能力，已成为表面缺陷检测的有效手段。例如VGGNet、ResNet，FCN，MaskScoringR-CNN,high-resolutionnetwork(HRNet)都是非常优秀的图像分割算法，到目前为止，这些网络依然在图像分割领域有极高的统治力。但是深度卷积神经网络的学习过程需要像素级的人工标注，繁琐费力，效率低下。为了解决上述问题，将弱监督分割算法引入金属表面缺陷检测领域，利用简单的数据标注来进行缺陷检测。

发明内容

本发明的目的在于提供一种基于等变正则化自监督注意力网络的金属表面缺陷检测方法、设备和储存介质，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明提供如下技术方案：一种基于等变正则化自监督注意力网络的金属表面缺陷检测方法，包括以下步骤：

S1.对图像分割网络训练时，使用SEAM算法利用孪生网络结构融合等变注意力机制进行对比学习，设计易于插入的高响应区域抑制模块提升SEAM的特征提取效果来获取目标区域生成伪掩膜；

S2.采用上一阶段产生的伪掩膜作为监督信息训练全监督语义分割模型，实现端到端算法；

S3.再根据因果图推断消除类间模糊，将类间模糊模块生成的特征M拼接到ResNet38的较高层Block5特征层中，再进行新一轮的训练，可以利用到前一轮的训练结果去优化下一轮的特征的学习，经过多次循环，获取更优的分割结果。

优选地，通过孪生网络分别将输入映射到新空间，通过损失函数计算评价两个输入的相似度，通过减小损失使得两个图像生成的掩码信息经过变换后趋向一致。

优选地，图像分割网络采用弱监督训练获得。

优选地，所述图像分割网络采用SEAM网络，所述SEAM网络基于ResNet38+HRAS网络构建，所述ResNet38网络中添加注意力模块。

优选地，所述S3中采用因果图推断消除类间模糊，建立结构化的因果图模型，使用后门干预手段消除金属表面缺陷数据集中相似缺陷造成的混淆影响。

优选地，所述S1中设计了融合通道注意力的高响应区域抑制模块(DRS)提升SEAM的特征提取效果。

优选地，通过可学习的抑制因子来削弱网络对显著特征的关注度，然后通过替换主干网络中的残差单元的激活函数层ReLU的方式集成到SEAM网络中。