[發明專利]引入注意力機制的yolov3帶鋼表面缺陷檢測與分類方法

在審

• 申請號: 202110064801.4
• 申請日: 2021-01-18
• 公開（公告）號: CN112884709A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 金梅;張子豪;張少闊;孫勝春;張勇;郎夢園;劉博;李清天;張淑清
• 申請（專利權）人: 燕山大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 葛凡

1.一種引入注意力機制的yolov3帶鋼表面缺陷檢測與分類方法，其特征在于，其包括如下步驟：

S1、首先制作帶鋼圖像缺陷數據集，本數據集將缺陷分為深化痕、淺劃痕和孔洞三類，每類3000張，得到標注的xml文件；

S2、構建包括卷積網絡、特征提取網絡和邊界預測網絡在內的yolov3模型，所述卷積網絡包括53個1×1和3×3的卷積層，各卷積層后設有歸一化層，對上層結果進行歸一化，如式(1)：

其中，x^(k)指第k層輸出、E(x^(k))指輸出的期望、Var(x^(k))指輸出的方差、指歸一化結果；

各卷積層后還設有激活層，激活函數為LeakyReLU：

其中，LeakyRe LU(x′^(k))指第k層權重經過函數計算的結果，x′^(k)指第k層權重，a為(1，+∞)的固定值，該函數能防止在輸入為負值的情況下神經元不更新參數；

所述特征提取網絡使用ResNet18作為主干網絡，使用卷積網絡中大小分別是52、26和13三個特征層進行邊框的預測；

在所述特征提取網絡下方引入一種注意力模塊，該模塊包括通道注意力和空間注意力，通道注意力的過程為式(6)：

M_c(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (6)

其中，M_C(F)表示特征經過并聯池化并輸入多層感知機后得到的通道注意力特征、σ表示標準差、MLP表示多層感知機、AvgPool表示平均池化操作、MaxPool表示最大池化操作、F表示輸入特征；

空間注意力過程為式(7)：

M_s(F)＝σ(f^7×7(AvgPool(F)；MaxPool(F)]) (7)

其中，M_s(F)表示通道注意力特征經過串聯池化并輸入卷積后得到的空間注意力特征；

S3、使用構建好的帶鋼缺陷數據集進行迭代訓練，生成并保存權重文件。

2.根據權利要求1所述的引入注意力機制的yolov3帶鋼表面缺陷檢測與分類方法，其特征在于，構建yolov3模型后，設置yolov3網絡的損失函數，損失函數包括目標定位偏移量損失、目標置信度損失和目標分類損失，其中，目標定位偏移量損失采用真實偏差值與預測偏差值差的平方和L_1oc，如式(3)：

其中，表示網絡預測矩形框坐標偏移量，表示檢測到的矩形框與默認框之間的坐標偏移量；

目標類別損失采用二值交叉熵損失，如式(4)：

其中，L_cla(O，C)表示目標分類損失、表示預測目標邊界框i中是否真實存在第j類目標，不存在時存在時表示網絡預測目標邊界框i內存在第j類目標的Sigmoid概率；

目標置信度損失為預測目標矩形框內存在目標的概率，采用的是二值交叉熵損失，如式(5)：

其中，L_conf(O，C)表示目標偏移量損失，O_i表示預測目標邊界框i中是否真實存在目標，不存在時O_i＝0、存在時O_i＝1，表示預測目標矩形框i內是否存在目標的Sigmoid概率。

3.根據權利要求2所述的引入注意力機制的yolov3帶鋼表面缺陷檢測與分類方法，其特征在于，在所述邊界預測網絡中，三個特征圖中分別通過(4+1+c)×k個大小為1×1的卷積核進行卷積預測，k為預設邊界框的個數，c為預測目標的類別數，其中4×k個參數負責預測目標邊界框的偏移量，k個參數負責預測目標邊界框內包含目標的概率，c×k個參數負責預測這k個預設邊界框對應c個目標類別的概率。

4.根據權利要求1所述的引入注意力機制的yolov3帶鋼表面缺陷檢測與分類方法，其特征在于，所述卷積層、歸一化層、LeakyRe LU拼接組成后作為卷積集合。