(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210982203.X (22)申请日 2022.08.16 (71)申请人 盐城工学院 地址 224051 江苏省盐城市希望大道中路1 号 (72)发明人 周锋　吴瑞琦　李楠　郭乃宏　 王如刚　 (74)专利代理 机构 南京业腾知识产权代理事务 所(特殊普通 合伙) 32321 专利代理师 姜贝贝 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种多尺度特征融合注意力的轻量带钢表 面缺陷检测方法 (57)摘要 本发明公开了一种多尺度特征融合注意力 的轻量带钢表 面缺陷检测方法， 包括构建轻量化 YOLOX检测模型， 引入多尺度特征融合注意力模 块， 并利用数据集对检测模型行迭代训练， 在收 敛后选取精度最高的检测模型作为带钢表面缺 陷检测模型， 其中， 将YOLOX主干特征提取网络 Darknet替换为CSPDarknet， 并通过K*1和1*K 的 深度可分离 卷积核代替用于 特征提取的K* K普通 卷积核， 在不影响精度的情况下提高了检测速 度， 另外， 通过添加多尺度特征融合注意力模块， 提高模型的检测精度， 尤其是对小目标的检测精 度， 从收敛后的模型中选取精度最高的模型作为 最终模型， 实现了高速、 准确且鲁棒的带钢表面 缺陷检测。 权利要求书1页 说明书6页 附图6页 CN 115330729 A 2022.11.11 CN 115330729 A 1.一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于， 包括如下 步骤： S1、 构建标注有 待检测带钢表面 缺陷的数据集； S2、 将YOLOX主干特征提取网络Darknet替换为CSPDarknet， 调整其中残差模块的重复 次数， 并通过深度可分离卷积和低秩分解压缩残差模块的参数量和计算量， 构建轻量化的 检测模型； S3、 将多尺度特 征融合注意力模块添加至检测模型中； S4、 利用数据集对检测模型行迭代训练， 在收敛后选取精度最高的检测模型作为带钢 表面缺陷检测模型。 2.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 在步骤S1中， 获取钢材表面缺陷检测数据集图像； 提取数据集全图的平均灰度 值， 对图像周围进行灰度填充， 将像素值由200*200填充至416*416； 对 数据集中标签进行适 配， 根据填充操作生成对应标签。 3.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 在步骤S2中， 包括CSP1 ‑CSP5五个CSP结构， 其中， 调整五个CSP结构中残差模块 的重复次数： 将残差块的重复次数由1、 2、 8、 8、 4调整为1、 1、 3、 3、 1； 并将四个CSP 模块的输出 通道数缩放至原来的0.375倍， 分别为 48、 96、 19 2、 384。 4.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 在步骤S2中， 每个残差模块中， 采用一个卷积层作为瓶颈来调整通道数， 并通 过K*1和1*K的深度可分离卷积核代替用于特 征提取的K*K普通卷积核。 5.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 在步骤S3中， 多尺度特征融合注意力模块添加在主干特征提取网络和Neck之 间， 确保主干特 征提取网络的预训练权 重使用。 6.根据权利要求5所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 添加多尺度特 征融合注意力模块具体为： 对主干特征提取网络输出的三个分辨率的特征张量施加不同尺度感受野的注意力模 块， 并进行 特征融合； 将获得的融合特 征分别传入空间注意力模块和通道 注意力模块； 将空间注意力模块和通道注意力模块的输出进行特征融合， 得到整个注意力模块的输 出。 7.根据权利要求6所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 对于通道 注意力模块， 在全连接层前 添加一层一维卷积。 8.根据权利要求3所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 对于 CSP3的特征张量， 分辨 率最大， 施加3 *3和5*5三个尺度的感受野； 对于CSP4的特征张量， 分辨 率居中， 施加1*1、 3 *3和5*5三个尺度的感受野； 对于CSP5的特征张量， 分辨 率最小， 施加1*1和3 *3两个尺度的感受野。 9.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法， 其特征在于： 在步骤S4中， 通过退火余弦算法调整学习率， 在损失值停止下降后， 继续训练 若干次迭代， 并从中选取精度最高的检测模型作为带钢表面 缺陷检测模型。权　利　要　求　书 1/1 页 2 CN 115330729 A 2一种多尺度特征融合注意力的轻量带钢表面缺陷检测方 法 技术领域 [0001]本发明涉及计算机视觉技术领域， 具体为一种多尺度特征融合注意力的轻量带钢 表面缺陷检测方法。 背景技术 [0002]扁钢的应用范围相当广， 在工业领域的需求量很大。 在过去的几十年中， 基于机器 视觉的自动表面检测系统(Automated  Surface Inspection  System,ASIS)作为一种非接 触、 非破坏性和全自动的解决方案， 得到了广泛的关注， 用以辅助或代替传统检测仪。 为了 减少人工成本、 提高检测效率， 基于深度学习的检测算法代 替了传统方式。 深度学习技术已 应用于解决许多挑战性的计算机视觉任务， 如城市交通、 多目标检测、 医学图像分割等。 深 度神经网络的多层结构相较于手工方式， 所有特征都是自动提取 的， 有更强大 的特征提取 性能。 基于深度学习的目标检测算法有两类： 双阶段和单阶段。 双阶段网络 分为生成建议区 域和图像 分类两个步骤， 检测精度较高。 常用的双阶段目标检测算法有R ‑CNN、 Fast  R‑CNN、 Faster R‑CNN、 SPPNet等。 单阶段模型直接进行分类和回归。 因此单阶段算法的检测速度 快， 但精度较低， 尤其是重 叠目标和小目标。 常用的单阶段目标检测算法有YOLO、 S SD等。 [0003]随着生产力的提高， 检测装置对算法提出了更高的要求。 常规生产过程中， 扁钢的 轧制速度可达20m/ s以上， 宽度可达1m。 如此高速的实时操作需要特殊的图像处理设备和软 件， 执行时间很短。 为此， 就需要对获取到的图像进行压缩， 简化图像中所包含的信息。 然 而， 压缩图像信息的同时， 也会影响缺陷检测的准确性。 双阶段网络虽然有着很高的检测精 度， 但是速度却远没有达到高速 轧钢生产线的要求。 单阶段网络虽然检测速度很快， 但往往 精度不高， 尤其是对于小目标和堆叠目标， 因此急需一种一种多尺度特征融合注意力的轻 量带钢表面 缺陷检测方法来 解决上述问题。 发明内容 [0004]本发明提供一种多尺度特征 融合注意力的轻量带钢表面缺陷检测方法， 来解决现 有带钢表面 缺陷检测系统精度高而速度慢或者速度高而精度低等问题。 [0005]为实现上述目的， 本发明提供如下技术方案： 一种多尺度特征融合注意力的轻量 带钢表面 缺陷检测方法， 包括如下步骤： [0006]S1、 构建标注有 待检测带钢表面 缺陷的数据集； [0007]S2、 将YOLOX主干特征提取网络Darknet替换为CSPDarknet， 调整其中残差模块的 重复次数， 并通过深度可分离卷积和低秩分解压缩残差模块的参数量和计算量， 构建轻量 化的检测模型； [0008]S3、 将多尺度特 征融合注意力模块添加至检测模型中； [0009]S4、 利用数据集对检测模型行迭代训练， 在收敛后选取精度最高的检测模型作为 带钢表面 缺陷检测模型。 [0010]优选的， 在步骤S1中， 获取钢材表面缺陷检测数据集图像； 提取数据集全图的平均说　明　书 1/6 页 3 CN 115330729 A 3