一种用于微槽道加工表面缺陷检测的计算机视觉方法与流程

本发明涉及一种用于微槽道加工表面缺陷检测的计算机视觉方法，属于计算机视觉与微槽道加工表面缺陷检测交叉。

背景技术：

1、在铝合金等轻质基体板上加工复杂微槽道并构成密闭腔体，是制造以脉动热板为代表的高性能散热产品的基础。在工业生产过程中，受到现有技术、生产条件、操作人员水平等因素制约，成品质量不完全可控。

2、表面缺陷是影响产品质量的最直接原因，为了保证合格率，必须进行表面缺陷检测。微槽道加工表面缺陷检测通常是指检测基体板表面划痕、槽道孔洞、槽道尺寸不达标、槽道缺失以及内部异物等缺陷，从而获得被测样品表面缺陷类别、位置以及大小等一系列信息。随着基于深度学习的计算机视觉技术的长足进步，基于目标检测模型的表面缺陷检测方法精度高、适应性好，是目前比较常见的表面缺陷检测方法。

3、常见的目标检测模型一般可分为单阶段目标检测模型和两阶段目标检测模型，yolo(you only look once)系列模型是单阶段目标检测模型的代表。yolo通过创建输入图像的特征图、学习类别概率和整个图像的边界框坐标，将目标识别视为一个简单的回归问题，因此，该系列模型效率较高，适合工业级应用场景。you only look one-levelfeature，简称yolof，是yolo家族的最新成员之一，其网络结构十分简单，由主干网络(backbone)、编码器(encoder)和解码器(decoder)组成，其核心创新点是仅在单一尺度特征图上完成目标检测，从而打破了多级检测(multi-level detection)这一“金科玉律”。另一方面，正因为放弃了多级检测，yolof对主干网络特征提取能力提出了更高要求。

4、因此，提供一种用于微槽道加工表面缺陷检测的计算机视觉方法，通过将基于量子效应的注意力模块嵌入yolof的主干网络之中，提高yolof的主干网络关键特征提取能力，从而提高模型在微槽道加工表面缺陷检测任务中的性能，就成为该技术领域亟需解决的技术难题。

技术实现思路

1、本发明的目的之一是提供一种用于微槽道加工表面缺陷检测的计算机视觉方法，通过将基于量子效应的注意力模块嵌入yolof的主干网络之中，提高yolof的主干网络关键特征提取能力，从而提高模型在微槽道加工表面缺陷检测任务中的性能。

2、本发明的上述目的是通过以下技术方案达到的：

3、一种用于微槽道加工表面缺陷检测的计算机视觉方法，包括以下步骤：

4、s1，利用光学相机对嵌有微槽道的基体板拍照；

5、s2，利用随机水平翻转，随机垂直翻转进行数据增强，并通过随机裁剪将图片分辨率统一；

6、s3，对基体板及微槽道的加工缺陷位置及类型进行标注，构造缺陷检测数据集；

7、s4，在数据集中的部分图片中添加随机噪点并标注，形成人工合成缺陷图片；

8、s5，利用上述缺陷检测数据集训练基于深度学习的目标检测模型，用于后续的微槽道加工表面缺陷检测。

9、优选地，s5中，对原有的yolof进行改进：遵循yolof的设计理念，整个网络划分为三个部分：主干网络(backbone)、编码器(encoder)和解码器(decoder)，在主干网络中嵌入注意力模块，其余网络结构与yolof保持一致。

10、优选地，s5中，以resnet50和resnet101为基础，在每一个残差块(residualblock)后增加一个基于量子效应的注意力模块(qea-net)分支作为主干网络，如图1所示，主干网络输出的特征图具有2048个通道，下采样率为32，与yolof的主干网络输出的特征图形状保持一致。

11、优选地，s5中，设f∈rc×h×w为残差块的输出，c表示输入特征图的通道数；h和w分别表示输入特征图的高和宽，下同；f分别经过平均池化操作和最大池化操作，分别得到favg∈rc×1×1以及fmax∈rc×1×1；然后，利用量子力学中两个全同粒子关于相对距离的量子效应作为门控(qeg)，用于调节空间信息强度，得到一个中间特征fi∈rc×1×1，其计算过程为：

12、

13、表示逐元素相乘，ones(c)表示一个所有元素均为1的一维向量，维度为c；

14、fi代表了一种全局描述特征，之后，用两个全连接层来学习通道间的相关性，第一全连接层起到降维作用，将fi维度压缩为原来的1/16，然后，采用relu函数激活；第二全连接层恢复原始维度，形成注意力图mc，最后，遵循广播(broadcast)机制，利用通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定，即：其中表示逐元素相乘，frefine∈rc×h×w，与原始特征f形状保持一致，整个过程如图2所示。

15、本发明的另一目的是提供一种具有改进结构的yolof目标检测模型，通过将基于量子效应的注意力模块嵌入yolof的主干网络之中，提高yolof的主干网络关键特征提取能力，从而提高模型在微槽道加工表面缺陷检测任务中的性能。

16、本发明的上述目的是通过以下技术方案达到的：

17、一种具有改进结构的yolof目标检测模型，由主干网络(backbone)、编码器(encoder)和解码器(decoder)依次串联组成；其特征在于：在yolof原有主干网络的每一个残差块(residual block)后增加一个基于量子效应的注意力模块(qea-net)分支作为新的主干网络。

18、优选地，所述注意力模块为基于量子效应的注意力模块。

19、优选地，所述注意力模块包含两个全连接层：第一全连接层和第二全连接层，第一全连接层和第二全连接层之间建立通道相关性。

20、优选地，所述注意力模块是一种新颖的通道注意力模块；将经过平均池化操作和最大池化操作后的特征图(向量)看作两个全同自由粒子的位置向量，利用两者之间的量子效应来聚合不同的全局空间信息，然后利用两个全连接层建立通道相关性，从而产生更为有效的注意力。

21、本发明的再一目的是提供一种新颖的通道注意力模块。

22、本发明的上述目的是通过以下技术方案达到的：

23、一种注意力模块，所述注意力模块为基于量子效应的注意力模块。

24、优选地，所述注意力模块包含两个全连接层：第一全连接层和第二全连接层，通过第一全连接层和第二全连接层建立注意力图的通道相关性。

25、优选地，所述注意力模块是一种新颖的通道注意力模块；将经过平均池化操作和最大池化操作后的特征图(向量)看作两个全同自由粒子的位置向量，利用两者之间的量子效应来聚合不同的全局空间信息，然后利用两个全连接层建立通道相关性，从而产生更为有效的注意力。

26、有益效果：

27、本发明的用于微槽道加工表面缺陷检测的计算机视觉方法，通过将基于量子效应的注意力模块嵌入yolof的主干网络之中，获得具有改进结构的yolof目标检测模型，提高yolof的主干网络关键特征提取能力，从而提高模型在微槽道加工表面缺陷检测任务中的性能。

28、下面通过附图和具体实施方式对本发明做进一步说明，但并不意味着对本发明保护范围的限制。实施例中的实施条件和装置除非特别注明，均为本领域常规的实施条件和市场上可采购的常规的装置。