[發明專利]一種遙感圖像缺陷檢測方法

有效

• 申請號: 202110823067.5
• 申請日: 2021-07-21
• 公開（公告）號: CN113343942B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 吳金建;萬梓洋;王奇;黃邦波;石光明
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V20/13;G06V10/764;G06V10/82;G06N3/0464;G06N3/08;G06T7/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;張問芬

1.一種遙感圖像缺陷檢測方法，其特征在于，包括：

(1)建立遙感缺陷圖像數據庫：

從資源衛星中心獲取299張原始的遙感缺陷圖像，并對該299張原始的遙感缺陷圖像進行裁剪，得到大小為2852×2852的9322張的一次裁剪后圖像；

再對這9322張一次裁剪后的圖片進行二次裁剪，即將每張圖片裁剪為大小為256×256的144張圖像，總共得到1342368二次裁剪后圖像；將二次裁剪后圖像中60％作為訓練集，20％作為測試集，20％作為驗證集；

(2)對訓練集、測試集和驗證集進行去均值歸一化的預處理，得到預處理后的訓練集、測試集和驗證集；

(3)設計由一個輸入模塊、4個特征提取模塊和一個輸出模塊級聯構成的缺陷特征提取網絡M，并將其損失函數設為現有的交叉熵損失函數L；

(4)利用預處理后的訓練集對缺陷特征提取網絡M進行訓練，直到損失函數L收斂，得到訓練好的缺陷特征提取網絡M；

(5)設計一個由輸入模塊、特征鑒別模塊和分類模塊級聯構成的圖卷積缺陷分類網絡N，并將其損失函數設為現有的交叉熵損失函數L，該網絡的鄰接矩陣A中的每一點與它周圍的12鄰域相連接；

(6)將歸一化處理后的訓練集輸入到訓練好的缺陷特征提取網絡M，得到訓練集的特征，利用這些特征對圖卷積缺陷分類網絡N進行訓練，直到損失函數L收斂，得到訓練好的圖卷積缺陷分類網絡N；

(7)利用訓練好的缺陷特征提取網絡M和訓練好的圖卷積缺陷分類網絡N，對待檢測圖像的缺陷類型進行檢測：

(7a)將待檢測圖像裁剪為C張2852×2852大小的圖像，再將每一張2852×2852大小的圖像裁剪為144張256×256大小的圖像，得到C×144張256×256大小的圖像；

(7b)對C×144張256×256大小的圖像進行去均值歸一化預處理，將歸一化處理后的圖像輸入到訓練好的缺陷特征提取網絡M，得到這些待檢測圖像的特征，再將這些待檢測圖像的特征輸入到訓練好的圖卷積缺陷分類網絡N，得到C×144張圖像對應的缺陷類型。

2.根據權利要求1所述的方法，其中(2)中的去均值歸一化預處理，是先統計訓練集、測試集和驗證集的R通道均值MR，G通道均值MG，B通道均值MB；再用每一張圖像的R通道減去MR、G通道減去MG、B通道減去MB；然后分別對R通道，G通道，B通道進行歸一化，即用RGB這三通道分別與255相除。

3.根據權利要求1所述的方法，其中(3)中缺陷特征提取網絡M的各模塊結構如下：

所述輸入模塊，其結構依次為輸入層、一個卷積層、一個Relu激活層、一個ZeroPadding層和一個最大池化層；該輸入層的大小為256×256×3，該卷積層的卷積核大小為5×5、步長為2，該最大池化層的大小為3×3、步長為2；

所述4個特征提取模塊，其分別包含12，18，24，32個特征提取子模塊，每個子模塊均由兩個卷積層級聯，其第一個卷積層的卷積核大小為1×1、步長為1，第二個卷積層的卷積核大小為3×3、步長為1；前3個特征提取模塊最后都有一個大小為1×1、步長為1的卷積核和一個大小為2×2、步長為2的平均池化層；

輸出模塊，其結構依次為一個全局平均池化層和一個維度為5的全連接層，該全連接層的激活函數為softmax。

4.根據權利要求1所述的方法，其中(3)中的交叉熵損失函數L，表示如下：

其中y_j表示第j個輸出位置的真實值，a_j為神經元第j個輸出位置實際的輸出，j代表輸出的位置。

5.根據權利要求1所述的方法，其中(4)中利用預處理后的訓練集對缺陷特征提取網絡M進行訓練，實現如下：

采用Adam優化算法，設置其學習率為0.0001，訓練次數為50；

將預處理后的訓練集輸入到缺陷特征提取網絡M并開始前向傳播；

通過反向傳播減小交叉熵損失函數L，調整該缺陷特征提取網絡模型M的參數權重，并在每傳播完5000張圖后，保存缺陷特征提取網絡模型M，直至收斂，得到若干臨時模型；

將預處理后的驗證集輸入上述若干臨時模型中，選取檢測精度最高的模型作為訓練好的缺陷特征提取網絡模型。