注意力残差块引导的师生网络色织物缺陷检测算法

针对传统色织物缺陷检测重构模型存在难以保证缺陷区域的重构效果、漏检和误检率偏高等问题,提出一种注意力残差块引导的无监督师生网络色织物缺陷检测算法。从知识蒸馏角度出发,基于Wide_ Resnet50_2网络设计一种具有编码-解码结构的教师-学生模型,学生网络通过恢复经过预训练的教师网络的多尺度特征增强重构能力。提出一种融合双重注意力的残差模块DARM(Dual Attention Residual Module),对特征信息进行双重权重分配的方式可以去除教师网络输出的冗余信息,进一步扩大师生网络之间对于缺陷区域的表征差异,提升模型的缺陷检测与定位能力。实验结果表明,提出的算法在YDFID-1数据集上AUPRO达到了85.8%、像素级AUROC和图像级AUROC分别达到了96.3%和98.3%;在少样本条件设置下,提出的算法在MVTec数据集上AUPRO和AUROC下降不超过4.5%,实验结果验证了该算法处理色织物缺陷检测问题的有效性以及稳定性。     

视觉注意力网络在工件表面缺陷检测中的应用

工件表面缺陷检测是现代化工业生产中不可缺少的环节,利用卷积神经网络实现工件表面缺陷检测能有效地提升检测效果.当工件表面出现微小缺陷时,缺陷部分的特征容易被其他区域的特征所掩盖,影响检测的准确率.针对这一问题,提出了每级由3个卷积模块和一个视觉注意力模块构成的3级视觉注意力网络.通过注意力模块生成软注意力模板,为卷积模块构成的主干网络的特征图加权,增强缺陷区域特征并抑制背景区域特征,提升缺陷检测的准确率.实验采用具有明显缺陷和微小缺陷的5类工件图像进行对比测试,结果表明,软注意力模板在容易出现缺陷的区域具有更高的权值;加入视觉注意力模块能将缺陷检测的准确率从90.9%提升至98.1%.     

基于联邦学习与改进CBAM-ResNet18的脑肿瘤分类

针对联邦学习框架下,基于卷积注意力模块的多客户端脑肿瘤分类方法对于MRI图像中肿瘤区域细节提取能力不足、通道注意力与空间注意力相互干扰的问题,以及针对多点医疗肿瘤数据分类准确性低的问题,提出了一种融合联邦学习框架和改进的CBAM-ResNet18网络的脑肿瘤分类方法.利用联邦学习特性联合多点脑肿瘤数据,采用Leaky ReLU激活函数代替ReLU激活函数以减轻神经元死亡,将卷积注意力模块中的通道注意力模块由先降维再升维改成先升维再降维,充分提高网络对图像细节的提取能力,将卷积注意力模块中的通道注意力模块与空间注意力模块由级联结构改为并联结构,使得网络的特征提取能力不会受到二者先后顺序的影响.通过在Kaggle公开的脑肿瘤MRI数据集上的进行实验,该方法的准确率、精准度、召回率与F1值分别为97.78%、97.68%、97.61%与97.63%,比基准模型分别高6.54%、4.78%、6.80%、7.00%.实验结果证明,该方法不仅能够打破数据孤岛,实现多点数据融合,而且比多数现有主流模型的性能更好.     

改进DBNet的电商图像文字检测算法研究

电商图像背景较为复杂、文字区域形状多变，现有的文字检测模型无法精确检测文字位置这一问题。提出一种改进的文字检测模型——迭代自选择特征融合DBNet(iSFF-DBNet)。首先在主干网络提取特征后，在构建特征金字塔网络FPN的过程中引入注意力机制；然后提出了迭代自选择特征融合模块iSFF来提升模型的特征提取能力；最后引入双边上采样模块提升可微分二值化模块的自适应性能。实验结果表明，在ICPR MTWI 2018网络图像数据集文本检测任务中，对比标准的DBNet模型，所提改进模型的召回率和F-score分别提升了6.0%和2.4%。与其他文字检测模型相比，该模型在精确率和召回率上取得了平衡，能够更准确地检测文字。     

基于重构误差的地下电缆管道异常检测方法

针对地下电缆管道异常图像样本数量稀少、异常检测难度大等问题，提出一种基于重构误差的地下电缆管道异常检测方法。该方法构建了基于编解码器结构的异常检测模型，将卷积注意力模块(CBAM)嵌入编解码器之间以增强网络的特征提取能力，同时，在编解码器之间使用残差连接，以增强模型对图像细节的重建能力。在训练阶段引入伪随机异常模块，提高模型对异常区域的映射重建能力。实验结果表明，所提方法在公开数据集MVTec上的图像级和与像素级的平均AUROC分别为97.2%和95.9%,在自建数据集WEN＿piple上的图像级与像素级的平均AUROC分别为99.9%和97.3%。与其他9种异常检测方法相比所提方法能够有效地对电缆管道内的复杂异常情况进行精确的检测。     

基于IVPSIC-Net的小样本热轧钢带表面缺陷检测研究

针对钢带表面缺陷检测样本不足、检测精度较低等问题,提出IVPSIC-Net模型,不需要对缺陷图像扩增或合成,仅需较少的数据样本,即可对钢带表面缺陷进行较为准确的分类和分割。经由ImageNet数据集进行预训练,通过调整宽度因子、引入多层感知机和空洞卷积等对特征提取模块进行优化与改进。基于MobileNet121将训练得到的模型权重迁移至IVPSIC-Net模型,大幅度减少了模型计算量。结合位置信息,融合改进的自注意力机制实现对缺陷的有效检出。实验证明,模型对热轧钢带的6种典型表面缺陷均可较为准确地分类和分割。所提出的方法在分类任务中准确度达到85%,相较其他缺陷目标检测算法(YOLOv4、MPF-DNN、FAR-Net、PSIC-Net等)提升了4.79%～6.97%;在分割任务中,相较其他分割算法(Deeplabv3plus、VGG-Unet、RDUnet-A、PSIC-Net等),错误率降低了8.00%～20.03%,能够更准确地分割出钢带表面的缺陷区域。     

基于动态卷积核的自适应图像去雾算法

现有图像去雾方法普遍存在去雾不彻底、容易出现颜色失真等问题,基于传统深度学习模型的图像去雾方法多采用静态推理模式,在该模式下,模型对不同样本会采用同样的、固定的参数设置,从而抑制了模型的表达能力,影响图像的去雾效果。针对以上问题,文中提出了一种基于动态卷积核的自适应图像去雾算法,该算法包括编码网络、自适应特征增强网络和解码网络3个部分。文中采用动态卷积、密集残差、注意力机制设计了自适应特征增强网络,该网络主要包括动态残差组件和动态跨层特征融合组件。动态残差组件由动态密集残差模块、一个卷积层和双注意力模块构成,其中动态密集残差模块将动态卷积引入密集残差模块,同时设计了一个基于注意力的权重动态聚合子网络,动态地生成卷积核参数以达到样本自适应的目的,在减少信息丢失的同时增强了模型的表达能力;双注意力模块结合通道注意力和像素注意力,使模型更加关注图像通道之间的差异性以及雾霾分布不均匀的区域。动态跨层特征融合组件通过动态融合不同阶段的特征,来学习丰富的上下文信息,防止网络深层计算时遗忘网络的早期特征,同时极大地丰富了特征表示,有利于模型对无雾图像细节信息的恢复。在合成数据集和真实数据集上进行了大...     

基于多尺度轻量化注意力的钢材缺陷检测

针对当前YOLOv5算法检测钢材表面缺陷精度不高、速度慢等问题,提出一种基于多尺度轻量化注意力的YOLO-Steel钢材表面缺陷检测方法.首先,提出一种轻型通道注意力模块,仅需少量计算成本即可有效关注重要通道;然后,利用空洞卷积扩大感受提出一种轻型空间注意力模块,能够在空间维度上提取有价值信息;接着,提出金字塔注意力结构,利用多级池化放缩特征图在不同分辨率特征图上使用空间注意力模块学习其空间依赖信息,对多级特征图使用通道注意力模块重构其通道相关信息,改善检测效果.实验结果表明,YOLO-Steel在钢材表面缺陷数据集上平均精度均值(mAP)可达77.2%,比YOLOv5s算法提高1.8%,模型时间、空间复杂度与YOLOv5s基本持平,在保证检测速度的基础上能够有效提高精确度.     

基于改进RetinaNet的多类焊接缺陷X射线图像检测模型

针对X射线图像利用RetinaNet模型进行多类焊接缺陷检测时,因焊件内部缺陷尺寸小、缺陷数据集分布不均等特点导致检测精确率较低的问题,提出一种基于改进RetinaNet的多类焊接缺陷X射线图像检测模型。首先,采用K-means算法对焊接缺陷数据集中的标注尺寸进行聚类分析并用于设计模型的锚框尺寸;然后针对训练过程中固定阈值导致模型引入低质量的训练正样本而使模型检测精确率降低的问题,使用自适应正负样本选择算法改善模型的正负样本选择方式;接着使用包含了Res2Net模块的ResNet网络模型用以增强主干网络的特征提取能力;最后使用注意力模块对特征金子塔网络的输出特征图进行处理,通过此方法让模型关注特征图中的缺陷特征。实验结果表明改进模型与RetinaNet模型相比可将多类焊接缺陷检测的召回率和准确率提升9.4和2.9个百分点,且改进模型在多类焊接缺陷检测的精确率方面高于YOLOv3和快速区域卷积神经网络（Faster-RCNN）模型。实验结果验证了基于改进RetinaNet的多类焊接缺陷X射线图像检测模型的有效性和先进性。     

融合注意力机制和空洞卷积的滑坡图像检测

滑坡区域图像检测与识别在灾害范围识别、灾情数据分析和防灾减灾中具有丰富的应用和研究价值。本文针对滑坡图像滑坡体形状纹理的多样性,以及滑坡目标区域检测识别效果不够理想的问题,提出一种注意力机制CBAM与空洞卷积结合的目标检测方法。在传统的目标检测算法Faster R-CNN的基础上,将注意力机制模型添加到卷积神经网络层,通过空间注意力与通道注意力结合的CBAM模型来进行滑坡图像特征的提取,增加空洞卷积模块来加大感受野区域,提高神经网络对遥感图像区域中的滑坡目标识别、尺寸不规范等特点的学习能力,从而进一步提升滑坡目标区域的检测精度。实验结果表明,在传统的目标检测算法的基础上采用两者结合的方式进行检测,可提升滑坡遥感图像上目标检测的召回率和精确率,具有一定的有效性和鲁棒性。     

基于改进型SSD算法的空瓶表面缺陷检测

注塑空瓶在生产过程中瓶身表面会产生大量缺陷,这些缺陷对产品的外观和使用造成重要的影响。传统的人工检测由于劳动强度高、检测效率低等缺点已不适用,基于机器视觉的传统检测算法对于复杂的场景变化,所提取的特征通常很难用于缺陷分类和识别。因此,提出一种基于SSD算法,对注塑空瓶表面缺陷进行检测。考虑空瓶表面缺陷较小,特征难以提取,为提高检测效果,在SSD网络结构中加入特征融合模块,为预测层提供丰富的语义特征;同时在网络中引入注意力机制,增加网络的特征提取能力,有效地提高网络的检测精度。通过用空瓶表面缺陷数据集对本文的方法进行验证,准确率为98.3%,漏检率为0.74%,误检率为0.96%,mAP为96.5%,相比原始的SSD算法的mAP,本文算法提高了近5.6个百分点。     

基于深度自编码器网络的压盖缺陷检测

口服液压盖过程,会出现压盖不良等情况,瓶盖可能会出现划痕、刮花、表面卷曲、压盖破损等缺陷,为保证食品药品安全必须在出厂前进行检测.在基于深度学习的口服液瓶压盖缺陷检测的研究过程中,使用传统卷积神经网络对口服液压盖缺陷数据集进行训练,需要进行人工标注,效率较低.为有效解决上述问题,设计出一种无监督学习的深度卷积去噪自编码...     

基于分布式的玻璃缺陷检测技术研究及性能优化

玻璃检测速度的的提高会在短时间会产生大量图像数据,传统分布式框架MapReduce处理速度和及时性无法满足玻璃缺陷检测的要求。课题将MapReduce分布式框架运用到海量图像处理,设计阈值分割算法完成对玻璃缺陷图像的处理。通过添加数据划分模块使计算与存储本地化,加快数据处理的及时性。实验结果表明改进的MapReduce计算框架处理速度平均提高14.1%,能够对运行速度为600m/h的玻璃带进行在线检测,并检测出玻璃带上缺陷的个数、位置和缺陷的类型。     

基于深度学习的型钢表面多形态微小缺陷检测算法

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP）,与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。     

融合频域注意力机制和解耦头的YOLOv5带钢表面缺陷检测

针对带钢表面缺陷在实际场景中检测精度低,易出现漏检和误检的情况,构建一种YOLOv5-CFD模型对带钢缺陷目标进行更精确的检测,该模型由CSPDarknet53、FcaNet与解耦检测头（Decoupled head）组成。首先,采用模糊C均值（FCM）算法对东北大学公开的NEU-DET热轧带钢表面缺陷检测数据集中的锚框进行聚类,优化先验框和真实框之间的匹配度;其次,为提取目标区域丰富的细节信息,在原始YOLOv5算法基础上添加频域通道注意力模块FcaNet;最后,采用解耦检测头将分类任务和回归任务分离。在NEU-DET数据集上的实验结果表明,改进的YOLOv5算法在引入较少参数量的情况下,检测精度提高了4.2个百分点,平均精度均值（mAP）达到85.5%,每秒传输帧数（Frames Per Second,FPS）达到27.71,与原YOLOv5相差不大,能够满足检测实时性的要求。     

通道与空间注意力图像超分辨率网络

单幅图像超分辨率（Single Image Super Resolution,SISR）在计算机视觉领域占有重要地位,该技术旨在从低分辨率图像中重建出高分辨率图像。近年来,深度神经网络在SISR领域起到了至关重要的作用,然而,目前利用卷积神经网络平等地对待高频与低频特征,使得高频细节的重建表现不佳,输出过于平滑,缺少纹理信息。另一方面,过于深的网络不容易收敛,并且随着神经网络的深度增长,来自前一层的长期信息很容易在后期层中减弱或丢失,使得重建收益不能正比于网络的深度与计算复杂度。针对以上问题,对用于SISR的卷积神经网络的基本块提出了空间注意力模块与通道注意力模块,在同一通道中,不同位置的信息被空间注意力模块赋予不同的权重,不同通道间的权重由通道注意力模块决定,这使得高频信息在重建任务中获得更高的地位,提高了重建指标。进一步地提出了长期特征调制模块将网络的层深度转化为块深度,大大缩小了网络深度,以解决前层长期信息的丢失问题。在Set5等多个基准数据集上的峰值信噪比（PSNR）均比目前其他基于深度卷积神经网络的方法有所提升,这证明了提出的方法的有效性与先进性。     

基于自编码和知识蒸馏的表面缺陷检测方法

针对传统的表面缺陷检测方法只能对具有高对比度或低噪声的明显缺陷轮廓进行检测的问题,提出了一种基于自编码和知识蒸馏的表面缺陷检测方法来准确定位和分类从实际工业环境捕获的输入图像中出现的缺陷。首先,设计了一种级联自动编码器（CAE）架构用于分割和定位缺陷,其目的是将输入的原始图像转换为基于CAE的预测蒙版;其次,利用阈值模块对预测结果进行二值化以获得准确的缺陷轮廓;然后,把缺陷区域检测器提取并裁剪出来的缺陷区域视为下一个模块的输入;最后,将CAE分割结果的缺陷区域通过知识蒸馏进行类别分类。实验结果表明,与其他几种表面缺陷检测方法相比,所提出的方法综合性能最好,其缺陷检测平均准确率为97.00%。该方法能够有效地对较小的、边缘不清晰的缺陷进行分割,满足对物品表面缺陷实时分割检测的工程要求。     

基于轻量化重构网络的表面缺陷视觉检测

基于深度学习的方法在某些工业产品的表面缺陷识别和分类方面表现出优异的性能, 然而大多数工业产品缺陷样本稀缺, 而且特征差异大, 导致这类需要大量缺陷样本训练的检测方法难以适用. 提出一种基于重构网络的无监督缺陷检测算法, 仅使用容易大量获得的无缺陷样本数据实现对异常缺陷的检测. 提出的算法包括两个阶段: 图像重构网络训练阶段和表面缺陷区域检测阶段. 训练阶段通过一种轻量化结构的全卷积自编码器设计重构网络, 仅使用少量正常样本进行训练, 使得重构网络能够生成无缺陷重构图像, 进一步提出一种结合结构性损失和L1损失的函数作为重构网络的损失函数, 解决自编码器检测算法对不规则纹理表面缺陷检测效果较差的问题; 缺陷检测阶段以重构图像与待测图像的残差作为缺陷的可能区域, 通过常规图像操作即可实现缺陷的定位. 对所提出的重构网络的无监督缺陷检测算法的网络结构、训练像素块大小、损失函数系数等影响因素进行了详细的实验分析, 并在多个缺陷图像样本集上与其他同类算法做了对比, 结果表明重构网络的无监督缺陷检测算法有较强的鲁棒性和准确性. 由于重构网络的无监督缺陷检测算法的轻量化结构, 检测1024 × 1024像素图像仅仅耗时2.82 ms, 适合工业在线检测.     

带注意力机制的神经网络用于跑道线检测

为了提高无人机着陆的有效性，设计了一种带有注意力机制的神经网络算法（LineNet）实现无人机跑道线检测。根据无人机着陆场景仿真出样本数据，并利用标注工具对数据进行标注，使用Shuffle Conv模块缓解特征融合计算量的占用问题，并引入空洞空间金字塔池化注意力机制（ASPP-SA）,ASPP-SA模块中添加残差的跳跃结构获取更多的图像信息，对LineNet模型的检测结果做形态学处理并结合连通区域约束对跑道线特征点进行分类，对相同类别的特征点通过最小二乘法进行跑道线拟合。经仿真数据验证，设计的方法可以有效地检测和识别出正确的跑道线，其平均检测精度为94.36%，相较于LaneNet算法、SegNet算法分别提高了12.82和9.95个百分点，单帧检测时间17.2 ms，是CNN+Hough变化算法1.5倍左右，可以满足无人机着陆的响应时间需求，在无人机着陆的研究过程中有重要意义。     

基于Siamese-YOLOv4的印刷品缺陷目标检测

在印刷工业生产中,针对直接使用YOLOv4网络进行印刷缺陷目标检测精度低、所需训练样本数量大的问题,提出了一种基于Siamese-YOLOv4的印刷品缺陷目标检测方法。首先,使用了一种图像分割和随机参数变化的策略对数据集进行增强;然后,在主干网络中增加了孪生相似性检测网络,并在相似性检测网络中引入Mish激活函数来计算出图像块的相似度,在此之后将相似度低于阈值的区域作为缺陷候选区域;最后,训练候选区域图像,从而实现缺陷目标的精确定位与分类。实验结果表明：Siamese-YOLOv4模型的检测精度优于主流的目标检测模型,在印刷缺陷数据集上,Siamese-YOLOv4网络对卫星墨滴缺陷的检测准确率为98.6%,对脏点缺陷的检测准确率为97.8%,对漏印缺陷的检测准确率为93.9%;检测的平均精度均值（mAP）达到了96.8%,相较于YOLOv4算法、Faster R-CNN算法、SSD算法、EfficientDet算法分别提高了6.5个百分点、6.4个百分点、14.9个百分点、10.6个百分点。所提Siamese-YOLOv4模型一方面在印刷品缺陷检测中有较低的误检率和漏检率,另一方面通过相似性检测网络计算图像块的相似度从而提高了检测的精度,表明所提缺陷检测方法可应用于印刷质检以提高印刷企业的缺陷检测水平。