[發明專利]表面劃痕檢測神經網絡的構建方法、系統、裝置及介質

在審

• 申請號: 202010008443.0
• 申請日: 2020-01-06
• 公開（公告）號: CN111223083A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 王永斌;劉廉如;張忠平;丁雷
• 申請（專利權）人: 宜通世紀物聯網研究院（廣州）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 何文聰

1.表面劃痕檢測神經網絡的構建方法，其特征在于，包括以下步驟：

獲取物體表面帶有劃痕的圖像數據，基于預設的分辨率閾值對所述圖像數據進行篩選，得到劃痕圖像樣本；

通過特征提取模塊、分割網絡模塊和決策網絡模塊構建基礎神經網絡；

通過所述劃痕圖像樣本訓練所述基礎神經網絡，得到表面劃痕檢測神經網絡；

其中，所述特征提取模塊用于提取所述劃痕圖像樣本的高頻信息，并將結果輸入到分割網絡模塊；所述分割網絡模塊用于對所述劃痕圖像樣本進行像素級別的語義分割，并將結果輸入到決策網絡模塊；所述決策網絡模塊用于輸出特征向量。

2.根據權利要求1所述的表面劃痕檢測神經網絡的構建方法，其特征在于，所述特征提取模塊包括粗糙提取子模塊和局部殘差子模塊，所述粗糙提取子模塊提取的粗糙圖像特征信息用于輸入到局部殘差子模塊。

3.根據權利要求2所述的表面劃痕檢測神經網絡的構建方法，其特征在于，所述粗糙提取子模塊包括兩個卷積核大小為3×3的卷積層。

4.根據權利要求2所述的表面劃痕檢測神經網絡的構建方法，其特征在于，所述特征提取模塊還包括注意力子模塊；

所述局部殘差子模塊對接收到的所述粗糙圖像特征信息進行處理，得到殘差圖像特征信息，并將所述殘差圖像特征信息傳遞給對應的注意力子模塊；

將所述殘差圖像特征信息在注意力子模塊中與注意力掩模點乘操作，提取得到關注區域特征信息；

將所述關注區域特征信息和殘差圖像特征信息進行融合，并輸入到所述分割網絡模塊。

5.根據權利要求2-4中任一項所述的表面劃痕檢測神經網絡的構建方法，其特征在于：

在所述局部殘差子模塊設置至少兩個卷積層，并剔除批量標準化層；

在所述局部殘差子模塊中使用LeakyReLu函數作為激活函數。

6.根據權利要求1所述的表面劃痕檢測神經網絡的構建方法，其特征在于：

在所述分割網絡模塊中設置九個卷積層，其中前八個卷積層的卷積核大小為3×3，最后一個卷積層卷積核的大小為15x15；

在所述分割網絡模塊中的每個所述卷積層后設置批量標準化層和ReLU激活層。

7.根據權利要求1所述的表面劃痕檢測神經網絡的構建方法，其特征在于：

在所述決策網絡模塊中，對輸入的圖像特征信息分別進行最大池化和均值池化；

通過concat函數對最大池化得到的結果和均值池化得到的結果進行深度融合；

將融合后的結果輸入到全連接層，按照通道維度拼接并輸出最終的向量結果。

8.表面劃痕檢測神經網絡的構建系統，其特征在于，包括：

獲取單元，用于獲取物體表面帶有劃痕的圖像數據；

篩選單元，用于基于預設的分辨率閾值對所述圖像數據進行篩選，得到劃痕圖像樣本；

構建單元，用于通過特征提取模塊、分割網絡模塊和決策網絡模塊構建基礎神經網絡；

訓練單元，用于通過所述劃痕圖像樣本訓練所述基礎神經網絡，得到表面劃痕檢測神經網絡。

9.表面劃痕檢測神經網絡的構建裝置，其特征在于，包括：

至少一個處理器；

至少一個存儲器，用于存儲至少一個程序；

當所述至少一個程序被所述至少一個處理器執行，使得所述至少一個處理器實現如權利要求1-7中任一項所述的表面劃痕檢測神經網絡的構建方法。

10.一種介質，其中存儲有處理器可執行的指令，其特征在于：所述處理器可執行的指令在由處理器執行時用于實現如權利要求1-7中任一項所述的表面劃痕檢測神經網絡的構建方法。