物体表面缺陷检测方法、装置、电子设备、介质及产品与流程

本技术涉及缺陷检测，特别涉及一种物体表面缺陷检测方法、装置、电子设备、介质及产品。

背景技术：

1、随着工业生产技术的发展，现代制造业对所生产的工件质量要求越来越严格，工件质量把控不严不但影响产品的性能而导致无法正常使用，甚至可能会留下安全隐患以致造成事故。现在的汽车工业自动生产制造中，往往会出现一些焊接缺陷、安装缺陷以及错漏装等现象出现。

2、人工目视检测在表面缺陷检测中应用广泛，检测员凭借丰富的经验将工件精确地判断为正常或异常，但让人工检测员检测生产线的每一个产品存在以下问题：1)不同人工检测员对工件的检测标准存在差异，难以保持一致的检测结果及稳定的检测精度；2)熟练的检测员需要高昂的人工成本；3)人工检测工作强度高，检测员难以长时间保持注意力高度集中；4)使用传统的人工检测方式已经很难适应大规模的生产制造场景，效率低，有可能耽误生产线的生产进度。

技术实现思路

1、本技术提供一种物体表面缺陷检测方法、装置、电子设备、介质及产品，以解决相关技术中利用人工进行检测物体缺陷，效率低，且评估标准不一等问题。

2、本技术第一方面实施例提供一种物体表面缺陷检测方法，包括以下步骤：获取待检测物体表面图像；将待检测物体表面图像输入缺陷检测模型，缺陷检测模型输出待检测物体表面的缺陷特征图，其中，缺陷检测模型包括特征金字塔网络、并向注意力机制网络和特征解码器，特征金字塔网络提取待检测物体表面图像的目标分辨率特征图，并向注意力机制网络对目标分辨率特征图进行目标特征处理，特征解码器对处理后的目标分辨率特征图解码得到缺陷特征图；识别缺陷特征图得到待检测物体表面的缺陷数据。

3、可选地，并向注意力机制网络包括：第一残差网络模块、全局平均池化模块、全局最大池化模块、特征图叠加及卷积模块、批量归一化模块和第二残差网络模块，其中，第一残差网络模块，用于将目标分辨率特征图中的部分特征，直接输入到第二残差网络模块中，并提取目标分辨率特征图的高维特征；全局平均池化模块用于对第一残差网络输出的特征图进行平均池化操作，输出第一特征图；全局最大池化模块，用于对第一残差网络输出的特征图进行最大池化操作，输出第二特征图；特征图叠加及卷积模块，用于对第一特征图和第二特征图中的特征进行融合得到第三特征图，并通过共享卷积的方式对第三特征图的通道维度进降维；批量归一化模块，用于加速并向注意力机制网络的收敛速度；第二残差网络模块，用于将第一残差网络模块输入的部分特征和第三特征图中的特征进行权重的统一处理，对相应的特征向量进行重新调整，输出处理后的目标分辨率特征图。

4、可选地，并向注意力机制网络还包括激活函数模块，激活函数模块用于对第三特征图进行非线性映射计算，得到与目标分辨率特征图的相同的第四特征图。

5、可选地，并向注意力机制网络还包括激活函数模块，激活函数模块用于对第三特征图进行非线性映射计算，更改第三特征图的分辨率使其与目标分辨率特征图的分辨率相同。

6、可选地，全局平均池化模块和全局最大池化模块分别对第一残差网络输出的特征图中特征值的坐标进行平均池化操作和最大池化操作。

7、可选地，特征金字塔网络自底向上分为第一至第四层，其中，第一层对待检测物体表面图像进行卷积运算得到第一分辨率特征图；第二层对第一分辨率特征图进行卷积运算得到第二分辨率特征图；第三层对第二分辨率特征图进行卷积运算得到第三分辨率特征图；第四层对第三分辨率特征图进行卷积运算得到目标分辨率特征图。

8、可选地，特征解码器自顶向上分为第五至第七层，其中，第五层对处理后的目标分辨率特征图进行解码，并融合目标分辨率的特征图中的特征得到第一解码特征图；第六层对第一解码特征图进行解码，并融合第三分辨率特征图中的特征得到第二解码特征图；第七层对第二解码特征图进行解码，并融合第二分辨率特征图中的特征得到缺陷特征图。

9、本技术第二方面实施例提供一种物体表面缺陷检测装置，包括：获取模块，用于获取待检测物体表面图像；输入模块，用于将待检测物体表面图像输入缺陷检测模型，缺陷检测模型输出待检测物体表面的缺陷特征图，其中，缺陷检测模型包括特征金字塔网络、并向注意力机制网络和特征解码器，特征金字塔网络提取待检测物体表面图像的目标分辨率特征图，并向注意力机制网络对目标分辨率特征图进行目标特征处理，特征解码器对处理后的目标分辨率特征图解码得到缺陷特征图；识别模块，用于识别缺陷特征图得到待检测物体表面的缺陷数据。

10、可选地，并向注意力机制网络包括：第一残差网络模块、全局平均池化模块、全局最大池化模块、特征图叠加及卷积模块、批量归一化模块和第二残差网络模块，其中，第一残差网络模块，用于将目标分辨率特征图中的部分特征，直接输入到第二残差网络模块中，并提取目标分辨率特征图的高维特征；全局平均池化模块用于对第一残差网络输出的特征图进行平均池化操作，输出第一特征图；全局最大池化模块，用于对第一残差网络输出的特征图进行最大池化操作，输出第二特征图；特征图叠加及卷积模块，用于对第一特征图和第二特征图中的特征进行融合得到第三特征图，并通过共享卷积的方式对第三特征图的通道维度进降维；批量归一化模块，用于加速并向注意力机制网络的收敛速度；第二残差网络模块，用于将第一残差网络模块输入的部分特征和第三特征图中的特征进行权重的统一处理，对相应的特征向量进行重新调整，输出处理后的目标分辨率特征图。

11、可选地，并向注意力机制网络还包括激活函数模块，激活函数模块用于对第三特征图进行非线性映射计算，更改第三特征图的分辨率使其与目标分辨率特征图的分辨率相同。

12、可选地，全局平均池化模块和全局最大池化模块分别对第一残差网络输出的特征图中特征值的坐标进行平均池化操作和最大池化操作。

13、可选地，特征金字塔网络自底向上分为第一至第四层，其中，第一层对待检测物体表面图像进行卷积运算得到第一分辨率特征图；第二层对第一分辨率特征图进行卷积运算得到第二分辨率特征图；第三层对第二分辨率特征图进行卷积运算得到第三分辨率特征图；第四层对第三分辨率特征图进行卷积运算得到目标分辨率特征图。

14、可选地，特征解码器自顶向上分为第五至第七层，其中，第五层对处理后的目标分辨率特征图进行解码，并融合目标分辨率的特征图中的特征得到第一解码特征图；第六层对第一解码特征图进行解码，并融合第三分辨率特征图中的特征得到第二解码特征图；第七层对第二解码特征图进行解码，并融合第二分辨率特征图中的特征得到缺陷特征图。

15、本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序，以执行如上述实施例的物体表面缺陷检测方法。

16、本技术第四方面实施例提供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，以执行如上述实施例的物体表面缺陷检测方法。

17、本技术第五方面实施例提供一种计算机程序产品，其上存储有计算机程序或指令，计算机程序或指令被执行时，以实现如上述实施例的物体表面缺陷检测方法。

18、由此，本技术至少具有如下有益效果：

19、本技术实施例可以将待检测物体表面图像输入缺陷检测模型，缺陷检测模型输出缺陷特征图，进一步识别缺陷特征图得到物体表面缺陷数据，实现对物体表面缺陷的自动检测，提高了缺陷检测效率和准确度，并且缺陷检测模型将并向注意力机制网络与特征金字塔网络结合，有效提升网络的对于缺陷特征提取及检测能力。由此，解决了相关技术中利用人工进行检测物体缺陷，效率低，且评估标准不一等技术问题。

20、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。