一种基于注意力机制与改进UNet网络的带钢表面缺陷检测方法与流程

本发明涉及工业图像处理领域，具体为一种基于注意力机制与改进unet网络的带钢表面缺陷检测方法。

背景技术：

1、带钢作为重要的工业原材料，广泛应用于汽车、家电、建筑等领域。带钢生产过程中，表面缺陷（如划痕、斑块、内含杂物等）会严重影响产品质量，表面缺陷的检测是质量控制的关键环节。传统的缺陷检测方法依赖于人工目检或简单的图像处理技术，人工目检虽然能够在一定程度上识别缺陷，但存在效率低、误检率高、难以适应复杂缺陷等问题。近年来，深度学习技术，特别是语义分割算法，为带钢表面缺陷检测提供了新的解决方案。然而，现有的语义分割模型在处理带钢表面缺陷时，仍存在缺陷尺度差异大、边界模糊、类别不均衡等问题，导致检测精度不足，误检率和漏检率较高。此外，简单的图像处理技术（如边缘检测、阈值分割等）在处理复杂缺陷时，往往难以准确识别缺陷的边界和类型，尤其是在缺陷尺度差异较大、背景复杂的情况下，检测效果较差。因此，亟需一种能解决传统检测方法在缺陷定位精度、多尺度特征融合及类别不均衡问题上的不足，实现带钢表面缺陷的高精度像素级分割，使其适用于工业质检领域。近年来，随着深度学习技术的发展，特别是卷积神经网络（cnn）和语义分割算法的应用，带钢表面缺陷检测的精度和效率得到了显著提升。然而，现有的语义分割模型在处理带钢表面缺陷时，仍面临以下挑战：

2、1.缺陷尺度差异大：带钢表面缺陷的尺寸差异较大，小至几毫米，大至几十厘米，现有的单一尺度特征提取方法难以同时处理不同尺度的缺陷；

3、2.边界模糊：带钢表面缺陷的边界往往不清晰，尤其是过渡区域的像素分类难以准确界定，导致分割结果不精确；

4、3.类别不均衡：带钢表面缺陷的像素数量远少于正常区域的像素数量，导致模型在训练过程中容易偏向于预测正常区域，而忽略缺陷区域。

5、针对上述问题，本发明提出了一种基于注意力机制与改进unet网络的带钢表面缺陷检测方法，通过优化unet网络结构，结合多种注意力机制和多尺度特征提取模块，提升带钢表面缺陷的检测精度。

技术实现思路

1、本发明提供一种基于注意力机制与改进unet网络的带钢表面缺陷检测方法，通过优化unet网络结构，结合多种注意力机制和多尺度特征提取模块，提升带钢表面缺陷的检测精度。具体技术方案如下：

2、1、数据采集与预处理：

3、获取带钢表面缺陷图像数据集，图像尺寸为200×200，包含内含杂物、斑块、划痕三种缺陷类型。对图像进行数据增强操作，包括随机旋转、翻转、缩放等，以增加训练数据的多样性。对缺陷标签进行高斯滤波模糊化处理，生成平滑标签，以解决缺陷边界模糊问题。其公式如下：

4、

5、其中，是高斯核的标准差，控制滤波的平滑程度。

6、2、模型设计：

7、构建基于unet的语义分割模型，具体优化策略包括：

8、编码阶段优化：重新设计特征提取模块，引入uelan模块，提升特征提取能力；引入坐标注意力机制（ca），增强模型对缺陷区域的关注；在编码阶段高层引入空洞空间金字塔池化模块（aspp），提取多尺度特征。uelan模块的计算公式如下：

9、

10、其中，为输入特征图，为输出特征图，和分别表示33和11卷积操作，concat表示特征连接操作。

11、解码阶段优化：在解码阶段引入卷积块注意力机制（cbam），动态调整通道和空间特征，提升模型对缺陷细节的捕捉能力。通道注意力的计算公式如下：

12、

13、其中，f为输入特征图，和分别表示全局平均池化和全局最大池化，mlp表示多层感知机，为sigmoid函数。

14、空间注意力的计算公式如下：

15、

16、其中，表示77卷积操作，为sigmoid函数。

17、损失函数优化：采用组合损失函数，结合焦点损失和dice损失，解决类别不均衡和难易样本问题。

18、焦点损失函数的公式如下：

19、

20、其中，是类别权重，是调制稀疏系数，用于增加对困难样本的关注。和分别表示类别概率和预测类别概率。和分别表示样本标签值和样本预测值。

21、dice系数是一种集合相似度度量函数，其计算公式为：

22、

23、得到dice损失的计算公式为：

24、

25、其中，a和b分别是预测结果和真实标签的像素集合。

26、将二者结合作为网络的整体损失函数，其计算公式为：

27、

28、其中，β表示dice损失函数的调整权重系数，本文取值为0.5。

29、3、模型训练：

30、使用adam优化器进行模型训练，初始学习率设置为0.001，采用学习率衰减策略。训练过程中，使用组合损失函数进行反向传播，确保模型能够稳定收敛。

31、4、缺陷检测与输出：

32、将训练好的模型应用于带钢表面缺陷检测任务，输出缺陷的像素级分割结果，并通过交并比（iou）等指标评估模型性能。iou的计算公式如下：

33、

34、优选实施方式：

35、（1）数据预处理：对带钢表面缺陷图像进行数据增强和标签模糊化处理，以提高模型的泛化能力。

36、（2）编码阶段优化：在unet网络的编码阶段，采用uelan模块替换原有的卷积模块，引入坐标注意力机制（ca）和空洞空间金字塔池化模块（aspp），以增强特征提取能力和多尺度处理能力。

37、（3）解码阶段优化：在unet网络的解码阶段，引入卷积块注意力机制（cbam），以动态调整特征融合过程中的通道和空间注意力。

38、（4）损失函数设计：采用组合损失函数，结合焦点损失和dice损失，解决类别不均衡和难易样本问题。

39、（5）模型训练与测试：使用sd-900带钢表面缺陷数据集进行模型训练和测试，评估模型的性能。

40、与现有技术相比，本发明具有以下技术优势：

41、（1）高精度检测：通过引入坐标注意力机制和卷积块注意力机制，模型能够更准确地定位和识别带钢表面缺陷，尤其是小尺寸和复杂形状的缺陷；

42、（2）多尺度处理能力：通过空洞空间金字塔池化模块（aspp），模型能够处理不同尺度的缺陷，增强了对多尺度目标的检测能力；

43、（3）高效的参数利用：uelan模块的设计提高了参数效率，减少了计算量，同时保持了较高的特征提取能力；

44、（4）鲁棒的损失函数：组合损失函数的设计有效解决了类别不均衡和难易样本问题，提高了模型对缺陷区域的关注度；

45、（5）泛化能力强：通过数据增强和标签模糊化处理，模型在训练过程中不易过拟合，具有较好的泛化能力。

技术特征：

1.一种基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述数据预处理步骤包括：

3.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述编码阶段优化包括：

4.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述解码阶段优化步骤包括：

5.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述组合损失函数包括：

6.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述模型训练与测试步骤包括：

7.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述模型在训练过程中采用adam优化器，学习率设置为0.001，批量大小为32，并使用学习率衰减策略动态调整学习率，确保模型稳定收敛。

8.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述模型在训练过程中的评价指标包括平均损失（avgloss）和平均交并比（miou），用于评估模型的预测效果。

9.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述模型训练结束后对带钢表面图像进行预测，并将预测结果与实际缺陷标签进行对比评估，以验证模型的检测精度。

10.根据权利要求1所述的基于注意力机制与改进unet网络的带钢表面缺陷检测方法，其特征在于，所述模型在实时检测过程中，能够根据缺陷的类型、位置和大小，及时发出警报并调整生产参数，确保带钢质量符合标准。

技术总结
本发明公开了一种基于注意力机制与改进UNet网络的带钢表面缺陷检测方法，涉及工业图像处理领域，旨在解决传统检测方法在缺陷定位精度、多尺度特征融合及类别不均衡问题上的不足。技术方案采用改进的UNet网络架构，具体包括：在编码阶段，设计UELAN特征提取模块以提升参数效率；引入坐标注意力机制（CA）增强对缺陷区域的聚焦能力；结合空洞空间金字塔池化模块（ASPP）捕获多尺度高层语义特征。在解码阶段，集成卷积块注意力机制（CBAM），动态优化通道与空间特征融合。此外，提出组合损失函数，融合焦点损失和Dice损失，并结合标签模糊化策略缓解边界不确定性问题，同时通过加权交叉熵应对类别不均衡。本发明实现了带钢表面缺陷的高精度像素级分割。

技术研发人员：王鹏飞,郑晓耘,吕亚楠,刘冬梅,昝鑫
受保护的技术使用者：河北白沙烟草有限责任公司
技术研发日：
技术公布日：2025/3/27