一种铝材表面细小划痕的缺陷检测方法、系统及存储介质

专利名称：一种铝材表面细小划痕的缺陷检测方法、系统及存储介质

专利类型：发明专利

专利申请号：CN202410200988.X

专利申请（专利权）人：四川怡田科技有限公司
权利人地址：四川省广安市华蓥市渝华大街6号

专利发明（设计）人：发明人:张问全,徐晨

专利摘要：本发明公开了一种铝材表面细小划痕的缺陷检测方法、系统及存储介质，利用主干网络提取图像的多尺度的层次性特征信息，并输出多层级的特征图；针对特征图，基于损失成本进行稀疏采样，生成稀疏采样图。将稀疏采样图与高层级的特征图相乘，再与高层级的特征图的语义信息调制的低层级的特征图进行融合，对特征块进行分割并输入到编码器中添加定位信息；使用解码器解码特征信息，并输出预测定位边界框和目标类别。基于训练后的网络模型检测铝材表面的缺陷。本发明聚焦前景特征，使模型学习注意力更加集中在细小目标所在的像素点上，逐步引入细粒度特征，增强模型的目标表达能力，从而提高了模型对细小划痕缺陷的检测精度。

主权利要求：
1.一种铝材表面细小划痕的缺陷检测方法，其特征在于，包括以下步骤：步骤S1：采集铝材表面的图像数据，并标注出划痕位置标签和类别标签，得到训练集；
步骤S2：构建网络模型，并采用训练集训练网络模型；
所述网络模型包括从前至后依次设置的主干网络、前景分布感知模块、编码器以及解码器；所述前景分布感知模块包括若干个稀疏表征提取模块以及语义信息调制融合模块，所述语义信息调制融合模块对应若干个稀疏表征提取模块设置有若干个调制分支，且若干个调制分支的输出端分别与特征拼接层连接；所述稀疏表征提取模块用于通过候选正样本点与真实框之间的损失成本进行稀疏采样，对特征图进行定位前景特征点，生成稀疏采样图；所述调制分支用于将输入的稀疏采样图与主干网络输出的特征图进行融合并提取出前景特征点，且与高层级的特征图的语义信息调制的低层级的特征图融合，以指导模型倾向学习前景特征；
步骤S21：利用主干网络提取图像的多尺度的层次性特征信息，并输出多层级的特征图；
步骤S22：针对特征图，基于候选正样本点与真实框之间的损失成本进行稀疏采样，自适应地对特征点进行前景背景选择，实现目标相关性筛选，定位前景特征点，生成稀疏采样图；
步骤S23：然后，将稀疏采样图与高层级的特征图相乘，再与高层级的特征图的语义信息调制的低层级的特征图进行融合，最后对特征块进行分割；
步骤S24：将分割后的特征块输入到编码器中添加定位信息，以增加特征信息的细粒度；
步骤S25：使用解码器解码特征信息，并输出预测定位边界框和目标类别；
步骤S3：基于训练后的网络模型检测铝材表面的缺陷。
2.根据权利要求1所述的一种铝材表面细小划痕的缺陷检测方法，其特征在于，所述步骤S22包括以下步骤：步骤A1：输入特征图；
步骤A2：在特征图上选取落在真实边界框里的特征点，并作为候选正样本点；
步骤A3：然后使用k‑means算法聚类出类簇，再计算出中心点簇对象数量k；
步骤A4：计算各个特征点与边界框中心点之间的欧式距离，选取距离最近的前k个点作为最优的候选正样本点；
步骤A5∶计算最优的候选正样本点与真实边界框之间的损失成本，优化损失成本；
步骤A6：随着模型训练重复步骤A1‑步骤A5，在损失成本最低的情况下，自适应地拟合出全局最优的候选正样本点集合。
3.根据权利要求1或2所述的一种铝材表面细小划痕的缺陷检测方法，其特征在于，所述损失成本包括交叉熵损失函数和KL散度，且计算公式如下：Lc＝DKL+Hcls
其中：
Lc表示损失成本值，
DKL表示KL散度，
Hcls表示交叉熵损失函数，
表示样本点的真实分布概率，
表示样本点的预测分布概率，
N表示样本点数量，
yi，j表示标签值，其中候选正样本点的标签值为1，负样本点的标签值为特征图上的最小值。
4.根据权利要求1所述的一种铝材表面细小划痕的缺陷检测方法，其特征在于，所述网络模型的总的损失函数包括损失成本的计算函数以及解码器中使用的位置回归损失函数和分类损失函数；所述损失成本的计算函数包括分类损失函数和KL散度。
5.一种铝材表面细小划痕的缺陷检测系统，基于权利要求1‑4任一项所述的缺陷检测方法进行，其特征在于，包括图像处理模块、模型训练模块和缺陷检测模块；所述图像处理模块用于获取铝材表面图像并生成训练集，所述模型训练模块用于采用训练集训练网络模型，所述缺陷检测模块用于将待检测的图像输入训练后的网络模型并输出缺陷检测结果。
6.根据权利要求5所述的一种铝材表面细小划痕的缺陷检测系统，其特征在于，所述调制分支包括从前至后依次设置的第一特征相乘层、多层感知机、上采样层、第二特征相乘层、特征相加层、多层感知机和卷积组合块；所述第一特征相乘层的输入包括稀疏采样图和高层级的特征图，低层级的特征图分别输入第二特征相乘层和特征相加层。
7.根据权利要求6所述的一种铝材表面细小划痕的缺陷检测系统，其特征在于，所述主干网络提取并输出4个层级的特征图f1‑f4，所述前景分布感知模块对应设置有3个稀疏表征提取模块，所述语义信息调制融合模块对应设置有第一调制分支、第二调制分支和第三调制分支，特征图f2‑f4分别通过稀疏表征提取模块与第一调制分支、第二调制分支和第三调制分支连接，所述第二调制分支和第三调制分支分别通过下采样层与特征拼接层连接；
所述第一调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f4和特征图f3；所述第二调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f3和特征图f2；所述第三调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f2和特征图f1。
8.根据权利要求5所述的一种铝材表面细小划痕的缺陷检测系统，其特征在于，所述主干网络包括从前至后依次设置的卷积组合块、批归一化层和激活函数层；所述编码器包括transformer块；所述解码器包括从前至后依次设置的多头自注意力模块、交叉自注意力模块和前馈网络，所述编码器的输出端分别与多头自注意力模块、交叉自注意力模块连接。
9.根据权利要求5或8所述的一种铝材表面细小划痕的缺陷检测系统，其特征在于，所述特征拼接层与编码器之间设置有用于对特征块进行分割的卷积组合块。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1‑4任一项所述的缺陷检测方法。 说明书 : 一种铝材表面细小划痕的缺陷检测方法、系统及存储介质技术领域[0001] 本发明属于缺陷检测的技术领域，具体涉及一种铝材表面细小划痕的缺陷检测方法、系统及存储介质。背景技术[0002] 随着我国国力逐步增强，促使工业产品种类不断的增多，各种铝材制品出现在人们的生活中。铝材质地轻巧，强度高，生产成本低，所以制造业中偏向于使用铝材作为基础材料，如工业零部件、电子产品外壳、窗户边框等等，推进工业轻量化产品的发展，提高产品环保级别。然而，因生产工艺和加工方式的传统性，铝材表面会出现划痕、碰伤、凹印等缺陷，铝材表面的缺陷程度是评判其质量的标准之一，如何完善铝材的缺陷检测技术是目前制造业研究的热门问题之一。[0003] 目前，铝材表面划痕检测方法大致分为3类：[0004] ①人工检测：利用人眼对铝材表面缺陷进行识别判断，人力成本较大，检测人员主观性因素较大。[0005] ②单一机理识别：利用光学、电磁学或声学元器件收集电信号或磁信号，再通过处理这些信号实现缺陷检测，例如激光扫描检测法、红外线检测法等，这种方法外部设备采购成本大，且场景使用局限性大，所以在制造业中未能得到推广。[0006] ③基于机器识别的方法：可以借助深度学习技术高质量地提取目标特征，更加拟合目标，在精度和速度上都有明显的优势，在复杂的应用环境下性能更加稳定，该方法使用图像采集器采集铝材的表面图像，传入计算机处理设备中进行定位分类计算。[0007] 然而，目前大多数基于深度学习的缺陷检测方法在划痕检测任务上仍存在一些问题：划痕目标细小，与大面积的背景相比特征不明显，模型在多次下采样中，忽略这种小目标的特征提取，而且已有的方法不能充分地拟合划痕狭长的外形特点，出现较多误检漏检。因此，急需一种在模型学习过程中自适应区分前景背景，解决划痕特征提取难的问题。发明内容[0008] 本发明的目的在于提供一种铝材表面细小划痕的缺陷检测方法、系统及存储介质，旨在解决上述的问题。本发明利用特征信息之间的相关性提高前景特征的质量，增强模型的目标表达能力，本发明通过聚焦前景特征，使模型学习注意力更加集中在细小目标所在的像素点上，逐步引入细粒度特征，增强模型的目标表达能力，从而提高了模型对细小划痕缺陷的检测精度，具有较好的实用性。[0009] 本发明主要通过以下技术方案实现：[0010] 一种铝材表面细小划痕的缺陷检测方法，包括以下步骤：[0011] 步骤S1：采集铝材表面的图像数据，并标注出划痕位置标签和类别标签，得到训练集；[0012] 步骤S2：构建网络模型，并采用训练集训练网络模型；[0013] 步骤S21：利用主干网络提取图像的多尺度的层次性特征信息，并输出多层级的特征图；[0014] 步骤S22：针对特征图，基于损失成本进行稀疏采样，自适应地对特征点进行前景背景选择，实现目标相关性筛选，定位前景特征点，生成稀疏采样图；[0015] 步骤S23：然后，将稀疏采样图与高层级的特征图相乘，再与高层级的特征图的语义信息调制的低层级的特征图进行融合，最后对特征块进行分割；[0016] 步骤S24：将分割后的特征块输入到编码器中添加定位信息，以增加特征信息的细粒度；[0017] 步骤S25：使用解码器解码特征信息，并输出预测定位边界框和目标类别；[0018] 步骤S3：基于训练后的网络模型检测铝材表面的缺陷。[0019] 为了更好地实现本发明，进一步地，所述步骤S22包括以下步骤：[0020] 步骤A1：输入特征图；[0021] 步骤A2：在特征图上选取落在真实边界框里的特征点，并作为候选正样本点；[0022] 步骤A3：然后使用k‑means算法聚类出类簇，再计算出中心点簇对象数量k；[0023] 步骤A4：计算各个特征点与边界框中心点之间的欧式距离，选取距离最近的前k个点作为最优的候选正样本点；[0024] 步骤A5：计算最优的候选正样本点与真实边界框之间的损失成本，优化损失成本；[0025] 步骤A6：随着模型训练重复步骤A1‑步骤A5，在损失成本最低的情况下，自适应地拟合出全局最优的候选正样本点集合。[0026] 为了更好地实现本发明，进一步地，所述损失成本包括交叉熵损失函数和KL散度，且计算公式如下：[0027] Lc＝DKL+Hcls[0028][0029][0030] 其中：[0031] Lc表示损失成本值，[0032] DKL表示KL散度，[0033] Hcls表示交叉熵损失函数，[0034] 表示样本点的真实分布概率，[0035] 表示样本点的预测分布概率，[0036] N表示样本点数量，[0037] yi，j表示标签值，其中候选正样本点的标签值为1，负样本点的标签值为特征图上的最小值。[0038] 为了更好地实现本发明，进一步地，所述网络模型的总的损失函数包括损失成本的计算函数以及解码器中使用的位置回归损失函数和分类损失函数；所述损失成本的计算函数包括分类损失函数和KL散度。[0039] 本发明主要通过以下技术方案实现：[0040] 一种铝材表面细小划痕的缺陷检测系统，基于上述的缺陷检测方法进行，包括图像处理模块、模型训练模块和缺陷检测模块；所述图像处理模块用于获取铝材表面图像并生成训练集，所述模型训练模块用于采用训练集训练网络模型，所述缺陷检测模块用于将待检测的图像输入训练后的网络模型并输出缺陷检测结果；[0041] 所述网络模型包括从前至后依次设置的主干网络、前景分布感知模块、编码器以及解码器；所述主干网络用于提取图像的多尺度的层次性特征信息，并输出多层级的特征图；所述前景分布感知模块包括若干个稀疏表征提取模块以及语义信息调制融合模块，所述语义信息调制融合模块对应若干个稀疏表征提取模块设置有若干个调制分支，且若干个调制分支的输出端分别与特征拼接层连接；所述稀疏表征提取模块用于通过候选正样本点与真实框之间的损失成本进行稀疏采样，对特征图进行定位前景特征点，生成稀疏采样图；所述调制分支用于将输入的稀疏采样图与主干网络输出的特征图进行融合并提取出前景特征点，且与高层级的特征图的语义信息调制的低层级的特征图融合，以指导模型倾向学习前景特征。[0042] 为了更好地实现本发明，进一步地，所述调制分支包括从前至后依次设置的第一特征相乘层、多层感知机、上采样层、第二特征相乘层、特征相加层、多层感知机和卷积组合块；所述第一特征相乘层的输入包括稀疏采样图和高层级的特征图，低层级的特征图分别输入第二特征相乘层和特征相加层。[0043] 为了更好地实现本发明，进一步地，所述主干网络提取并输出4个层级的特征图f1‑f4，所述前景分布感知模块对应设置有3个稀疏表征提取模块，所述语义信息调制融合模块对应设置有第一调制分支、第二调制分支和第三调制分支，特征图f2‑f4分别通过稀疏表征提取模块与第一调制分支、第二调制分支和第三调制分支连接，所述第二调制分支和第三调制分支分别通过下采样层与特征拼接层连接；所述第一调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f4和特征图f3；所述第二调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f3和特征图f2；所述第三调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f2和特征图f1。[0044] 为了更好地实现本发明，进一步地，所述主干网络包括从前至后依次设置的卷积组合块、批归一化层和激活函数层；所述编码器包括transformer块；所述解码器包括从前至后依次设置的多头自注意力模块、交叉自注意力模块和前馈网络，所述编码器的输出端分别与多头自注意力模块、交叉自注意力模块连接。[0045] 为了更好地实现本发明，进一步地，所述特征拼接层与编码器之间设置有用于对特征块进行分割的卷积组合块。[0046] 一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的缺陷检测方法。[0047] 本发明的有益效果如下：[0048] (1)本发明首先由主干网络提取多尺度、层次性的特征信息，再将每层级的特征信息输入到前景分布感知模块中，由稀疏表征提取模块定位前景特征点，生成稀疏采样图，其次利用语义信息调制融合模块进行调节融合，且为了减少后续的计算量增加，利用卷积组合块将特征图分成特征块；然后将特征块输入到编码器中添加定位信息，增加特征信息的细粒度，因目标细小，增加细粒度后才能增加识别的概率；最后使用解码器解码特征信息，添加多种注意力模块增强模型自我学习能力，弥补前向传播中特征点交互信息的缺失，处理完后输出预测定位边界框和目标类别。本发明实现了细分前景、背景，聚焦前景特征，使模型学习注意力更加集中在细小目标所在的像素点上，逐步引入细粒度特征，增强模型的目标表达能力，从而提高了模型对细小划痕缺陷的检测精度。[0049] (2)本发明基于前景分布感知模块通过优化损失成本值，自适应地对特征点进行前景背景选择。优选地，本发明采用KL散度和交叉熵损失函数作为损失成本，所述KL散度负责拉进预测点与真实点之间的分布相似性，且具有尺度不变性，符合任务目标特性；所述交叉熵损失函数负责评估预测点与真实点之间的不一致性，能更好的优化前景特征的选取；通过两者的协同配合高效地实现目标相关性筛选，减少模型对冗余信息的学习，显著提高了模型针对细小划痕的缺陷检测性能，具有较好的实用性。[0050] (3)本发明在前景分布感知模块中引入聚类的方法动态寻找对于模型学习最优的前景特征点的匹配，且这个过程能根据模型的迭代学习变的更加准确。稀疏表征提取模块是利用聚类方法和损失成本计算出最优匹配的前景特征点采样图，即稀疏采样图，然后通过语义信息调制融合模块将稀疏采样图与原始的层级特征图进行融合，提取出需要更加关注的前景特征点，且利用高层级的特征图去调制低层级特征图，加强语义表达能力，从而指导模型倾向学习前景特征，减少冗余特征的乱入降低准确性。附图说明[0051] 图1为整体网络结构示意图。[0052] 图2为稀疏表征提取模块计算流程图。[0053] 图3为提语义信息调制融合模块结构示意图。具体实施方式[0054] 实施例1：[0055] 一种铝材表面细小划痕的缺陷检测方法，包括以下步骤：[0056] 1)采集铝制材料表面的图像数据，人工标注出划痕位置标签和类别标签，并将数据集分成训练集和测试集；[0057] 2)根据目标数据特征和分布构建出网络模型，网络模型整体结构主要由主干网络、前景分布感知模块、编码器以及解码器构成。[0058] 3)基于训练集对网络模型进行训练：首先利用主干网络提取多尺度的层次性特征信息，再由前景分布感知模块处理特征信息，对前景背景特征点进行筛选，然后利用编码器增强特征信息的细粒度，最后通过解码器预测定位边界框和目标类别。[0059] 4)训练开始时采用随机的方式初始化模型中的权重参数，设定相关超参数，选择合适的优化器进行损失值优化，直至模型训练迭代次数达到最大迭代数中止训练，选出在测试集上性能最优的模型进行部署。[0060] 优选地，所述的前景分布感知模块主要由稀疏表征提取模块和语义信息调制融合模块构成。进一步地，所述的稀疏表征提取模块主要是通过计算候选正样本点与真实框之间的损失成本进行稀疏采样，损失成本由分类损失值和KL散度构成。通过损失成本指导，自适应地对特征点进行前景背景选择，高效地实现目标相关性筛选，减少模型对冗余信息的学习，提高模型性能。[0061] 在损失成本最低的情况下，自适应地拟合出全局最优的候选正样本点集合，能在模型训练过程中不断优化正负样本的动态分配效果，提高前景特征点的相关性，使得模型学习聚焦前景特征的学习。[0062] 优选地，如图2所示，所述的稀疏表征提取模块的流程如下：[0063] (1)首先，输入特征图，根据真实边界框选出候选正样本点：该模块在特征图上选取落在真实边界框里的特征点作为候选正样本点。[0064] (2)然后，使用k‑means算法计算最佳正样本点簇数量k：以边界框中心点、左上角点、右上角点、左下角点、右下角点分为5组无监督地聚类出类簇，再计算出中心点簇对象数量k。[0065] (3)其次，在候选正样本点中选出欧式距离前k个候选正样本点：计算各个特征点与边界框中心点之间的欧式距离，选取距离最近的前k个点作为最优的候选正样本点，则最优候选正样本的标签值为1，其余样本点为负样本，值为特征图上的最小值。[0066] (4)计算损失成本值，然后分别输出稀疏表征采样图和优化损失成本值，在优化损失成本值后，随着模型训练进行迭代计算并进入步骤(1)。[0067] 在输出稀疏表征采样图时，具体地，稀疏采样图的生成公式F如下：[0068][0069] 其中：[0070] (i,j)表示样本的索引，l表示层级的索引，GT表示真实边界框。[0071] 优选地，所述的语义信息调制融合模块主要处理流程是：先将稀疏表征提取模块输出的稀疏采样图与高层级特征图相乘，再用高层级特征图的语义信息调制低层级的特征图进行融合，补充因下采样丢失的细节信息，增强模型的目标表达能力，最后使用卷积组合块对特征块进行分割，为了后续编码器减少计算量。[0072] 优选地，网络模型的损失函数分为两部分：一部分是前景分布感知模块中的损失成本计算函数；一部分是解码器中使用的位置回归损失函数和分类损失函数。更进一步地，损失成本计算函数由交叉熵损失函数和KL散度构成，另外解码器中分类损失函数为焦点分类损失函数，位置回归损失函数为平滑L1损失函数。[0073] 优选地，损失成本计算函数的计算公式如下：[0074][0075][0076] Lc＝DKL+Hcls[0077] 其中DKL是KL散度，Hcls是交叉熵损失函数，Lc是损失成本值， 表示该点的真实分布概率， 表示样本点的预测分布概率，N指样本点数量，yi，j表示标签值，候选正样本点时为1，负样本点时为特征图上的最小值，损失成本值随着网络迭代计算而优化。[0078] 本发明可以实现细分前景背景，聚焦前景特征，使模型学习注意力更加集中在细小目标所在的像素点上，逐步引入细粒度特征，增强模型的目标表达能力，从而提高了模型对细小划痕缺陷的检测精度，具有较好的实用性。[0079] 实施例2：[0080] 一种铝材表面细小划痕的缺陷检测系统，包括图像处理模块、模型训练模块和缺陷检测模块；所述图像处理模块用于获取铝材表面图像并生成训练集，所述模型训练模块用于采用训练集训练网络模型，所述缺陷检测模块用于将待检测的图像输入训练后的网络模型并输出缺陷检测结果。如图1所示，构建网络模型，并基于训练后的网络模型进行缺陷检测。所述的网络模型主要由主干网络、前景分布感知模块、编码器以及解码器构成，所述主干网络用于提取图像的多尺度的层次性特征信息，并输出多层级的特征图；所述前景分布感知模块用于对多层级的特征图的前景背景特征点进行筛选；所述编码器增强特征信息的细粒度，所述解码器用于预测定位边界框和目标类别。[0081] 优选地，所述网络模型包括从前至后依次设置的主干网络、前景分布感知模块、编码器以及解码器；所述主干网络用于提取图像的多尺度的层次性特征信息，并输出多层级的特征图；所述前景分布感知模块包括若干个稀疏表征提取模块以及语义信息调制融合模块，所述语义信息调制融合模块对应若干个稀疏表征提取模块设置有若干个调制分支，且若干个调制分支的输出端分别与特征拼接层连接。[0082] 优选地，所述稀疏表征提取模块用于通过候选正样本点与真实框之间的损失成本进行稀疏采样，自适应地对特征点进行前景背景选择，对前景背景特征点进行筛选，定位前景特征点，生成稀疏采样图。所述调制分支用于将输入的稀疏采样图与主干网络输出的特征图进行融合并提取出前景特征点，且与高层级的特征图的语义信息调制的低层级的特征图融合，以指导模型倾向学习前景特征。本发明通过设计前景分布感知模块解决了划痕细小易被忽略的问题。[0083] 优选地，如图3所示，所述调制分支包括从前至后依次设置的第一特征相乘层、多层感知机、上采样层、第二特征相乘层、特征相加层、多层感知机和卷积组合块。主要处理流程是先将稀疏表征提取模块输出的稀疏采样图与高层级特征图相乘，再用高层级特征图的语义信息调制低层级的特征图进行融合，补充因下采样丢失的细节信息，增强模型的目标表达能力，最后使用卷积组合块对特征块进行分割，为了后续编码器减少计算量。[0084] 进一步地，如图1和图3所示，所述主干网络提取并输出4个层级的特征图f1‑f4，所述前景分布感知模块对应设置有3个稀疏表征提取模块，所述语义信息调制融合模块对应设置有第一调制分支、第二调制分支和第三调制分支，特征图f2‑f4分别通过稀疏表征提取模块与第一调制分支、第二调制分支和第三调制分支连接，所述第二调制分支和第三调制分支分别通过下采样层与特征拼接层连接；所述第一调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f4和特征图f3；所述第二调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f3和特征图f2；所述第三调制分支输入端的高层级的特征图和低层级的特征图分别为特征图f2和特征图f1。[0085] 优选地，所述主干网络包括从前至后依次设置的卷积组合块、批归一化层和激活函数层；所述编码器包括transformer块；所述解码器包括从前至后依次设置的多头自注意力模块、交叉自注意力模块和前馈网络，所述编码器的输出端分别与多头自注意力模块、交叉自注意力模块连接。优选地，如图1所示，所述编码器包括从前至后依次设置的归一化层、多头自注意力模块、特征相加层、归一化层和前馈网络。优选地，所述编码器设置有3个。[0086] 优选地，损失函数主要分成两部分，一部分是前景分布感知模块中的损失成本计算函数，由交叉熵损失函数和KL散度构成，另外一部分是解码器中使用的位置回归损失函数和分类损失函数。另外一部分具体由焦点分类损失函数和平滑L1损失函数构成，所以总的损失函数如下：[0087] L＝Lcls+Lreg+Lc[0088] 公式中Lcls为解码器中分类损失函数，Lreg为解码器中位置回归损失函数，Lc是损失成本值。[0089] 综上所述，本发明提出的划痕缺陷检测通过引入损失成本值，对特征点细分前景背景，增强模型对前景特征信息的学习能力，聚焦前景特征，逐步引入细粒度特征，增强模型的目标表达能力。由实验可得，本发明提出的方法与已有的方法相比较，自适应区分前景背景，能解决划痕细小易被忽略的问题，高效地检测出划痕缺陷，及时报告给工作人员进行处理，避免带来损失。[0090] 以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

专利地区：四川

专利申请日期：2024-02-23

专利公开日期：2024-10-22

专利公告号：CN118096680B