雙注意力驅(qū)動的微小缺陷識別方法研究

摘 要： 針對深度卷積提取過程中微小缺陷特征消失問題，該文提出融合雙注意力機(jī)制和躍進(jìn)殘差結(jié)構(gòu)的微小缺陷識別深度卷積網(wǎng)絡(luò)模型，該模型在訓(xùn)練過程中分別在通道維度和空間維度將權(quán)重更多地偏向目標(biāo)特征，更多地關(guān)注到微小缺陷特征，抑制冗余缺陷特征；同時為了進(jìn)一步緩解深度卷積中微小缺陷特征消失的問題，設(shè)計躍進(jìn)殘差結(jié)構(gòu)通過少量的支路連接將微小缺陷特征傳遞到深層網(wǎng)絡(luò)，既減少微小缺陷特征漏檢，同時提高支路卷積計算速度。以實際采集的布匹缺陷數(shù)據(jù)集開展模型測試實驗。該文提出的模型相比于ResNet50、ResNet101，微小缺陷的識別率分別提高6.79% 和6.88 %，證明該文模型在微小缺陷識別任務(wù)中的有效性。

關(guān)鍵詞： 微小缺陷識別; 雙注意力機(jī)制; 殘差網(wǎng)絡(luò); 深度卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號： TB9; U4772.9 文獻(xiàn)標(biāo)志碼： A 文章編號： 1674–5124（2025）03–0162–08

0 引 言

工業(yè)場景下的大尺寸材料表面微小缺陷的圖像特征信息少，圖像的背景信息復(fù)雜，缺陷的細(xì)節(jié)信息不明顯，極易造成微小缺陷特征與冗余背景特征混淆，嚴(yán)重影響微小缺陷的識別檢測，微小缺陷的漏檢率居高不下。工業(yè)場景下的微小缺陷識別檢測是機(jī)器視覺研究領(lǐng)域的難題之一 [1-2]。

國際上主流研究方法主要是通過融合不同感受野的特征圖層來增強(qiáng)微缺陷的細(xì)節(jié)信息。例如Cui等 [3] 通過引入了FRB 模塊來融合不同分辨率的特征，讓模型更好地預(yù)測鋼的表面微缺陷；Su 等 [4] 在RPN 中利用BAFPN 來融合深淺層特征信息，讓小缺陷特征能在預(yù)測部分保留；Zheng 等 [5] 通過將ResNet50 結(jié)合改進(jìn)的RPN 結(jié)構(gòu)來豐富微小特征信息，從而提高模型針對微小缺陷的檢測能力；Huang等 [6] 改進(jìn)了PANet 網(wǎng)絡(luò)，使得包含更多微小特征的淺層特征更好地保留；Zeng 等 [7] 通過融合不同尺度的特征圖來增加深度圖層的微小缺陷特征信息。與此同時，通過在輸入端對數(shù)據(jù)做處理來加強(qiáng)細(xì)節(jié)特征也是一個研究方向， 例如Jiang 等 [8] 通過AGDA 模塊來對輸入數(shù)據(jù)進(jìn)行增強(qiáng)處理，讓缺陷所在的區(qū)域在特征圖中的信息更豐富；Yoon 等 [9] 將原始圖像輸入替換為補(bǔ)片輸入，有效地提高了神經(jīng)網(wǎng)絡(luò)對微小缺陷的特征提取效果。

可見，已有方法通過對特征圖層的融合以及對輸入數(shù)據(jù)的處理，實現(xiàn)了微小特征信息的增強(qiáng)，然而以上模型仍未能解決由于背景和冗余特征導(dǎo)致的目標(biāo)特征消失問題，微小缺陷的特征在經(jīng)過多層卷積層傳遞后消失的機(jī)率仍比較大。

面向大尺度材料表面微小缺陷識別問題，本文擬在卷積過程中對微缺陷特征進(jìn)行及時增強(qiáng)，使得卷積神經(jīng)網(wǎng)絡(luò)能夠關(guān)注到圖像中需要增強(qiáng)的目標(biāo)特征，抑制不相干信息，保證缺陷特征能輸出到最后一級的特征圖層?；诖耍疚脑诰矸e神經(jīng)網(wǎng)絡(luò)中引入雙注意力機(jī)制[10-11]，一是構(gòu)建通道注意力，捕獲微小缺陷特征，增強(qiáng)微小缺陷特征所在通道權(quán)重，并抑制其他通道；二是建立空間注意力，增強(qiáng)微小缺陷特征信息通道所在的圖像空間位置特征。特征權(quán)重的調(diào)整則通過躍進(jìn)殘差結(jié)構(gòu)[12] 來讓微小特征更完整地傳遞到網(wǎng)絡(luò)最后一層。