本發明涉及產品表面缺陷識別領域，尤其是涉及一種基于多域特征融合網絡的產品表面缺陷識別方法，設備及介質。

背景技術：

1、隨著制造業從數量擴增向質量提升轉變，提升產品質量成為提高產品競爭力的關鍵。由于產品大多屬于大批量生產，生產過程包含眾多復雜工藝流程，制造過程中任何異常都可能導致產生產品表面的缺陷。但是其中某些關鍵零部件的表面破損不僅會對產品的性能造成嚴重損害，還可能會給用戶帶來安全風險。表面缺陷識別方法能及時發現問題，及時剔除不合格的產品，并改進相應生產工藝，預判性地維護生產機器。通過自動化、智能化的表面缺陷檢測方法，分析缺陷產生的原因，使得生產線的維護工作更具有針對性，有效降低產品不合格率，提高產品質量，保障用戶安全。

2、傳統的產品表面缺陷識別方法大多通過傳統的手工特征提取與分類器設計實現，通常利用可解釋的數學理論與成熟的專家經驗來分析產品表面缺陷代表性的特征。通常這類算法依靠于豐富的專家知識和理論模型，很難適應復雜多變的場景及智能化識別的需求。近年來，基于深度學習方法的產品表面缺陷識別研究在本領域逐漸成為主流，卷積神經網絡模型被應用于產品表面缺陷識別領域。雖然這種數據驅動的方法，能自動地從大規模樣本數據中學習到隱藏的模式和特性，相較于傳統方法具有更高的精度、更快的速度和更簡潔的設計思路，然而在產品表面缺陷識別的實際應用中，通常會面臨可學習難解釋、大數據小樣本、視覺認知局限等問題。深層次地整合理論驅動和數據驅動的方法在產品表面缺陷識別領域尤為重要。通過融合傳統特征和深度特征，從而提高產品表面缺陷識別的精度及模型可解釋性的方法被提出。但在實際產品表面缺陷場景中仍存在一些問題需要解決。首先，產品表面缺陷圖像通常具有較復雜多變的形狀和紋理結構，需要在有限樣本學習中考慮如何更好地捕捉重點區域的特征。其次，許多研究將物理模型整合到深度神經網絡中進行特征融合，但由于模型性能受固定輸入物理特征的影響很大，在面對與訓練數據分布差異較大的新樣本時，其泛化能力可能受到限制，適應性不強，且這類算法通常構建過程較復雜，對計算資源的需求較高。此外，細粒度模型方法可以直接提高深度學習模型的識別性能，在實際應用場景中在模型精度和速度上難以取得較好的平衡。因此，如何在產品表面缺陷識別中，提高缺陷識別能力、增強適應性和泛化能力，并提高分類精度，是需要解決的技術問題。

技術實現思路

1、本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于多域特征融合網絡的產品表面缺陷識別方法，設備及介質，通過將峰值區域輔助特征學習模塊、多域混合注意力模塊和門控特征選擇模塊與a-can骨干網絡集成，從而提高缺陷識別能力，全面描述圖像目標的特征，多域特征融合的輸出用于產品表面缺陷識別。

2、本發明的目的可以通過以下技術方案來實現：

3、根據本發明的一個方面，提供了一種基于多域特征融合網絡的產品表面缺陷識別方法，具體步驟包括：

4、s1、采集產品表面缺陷識別數據集，并進行預處理，得到統一像素大小的缺陷圖像；

5、s2、將所述缺陷圖像輸入a-acn骨干網絡的第一層網絡，得到第一特征圖；

6、s3、將所述缺陷圖像輸入峰值區域輔助特征學習模塊，得到峰值特征圖，并將峰值特征圖與第一特征圖相加，得到第二特征圖；

7、s4、將第二特征圖輸入a-acn骨干網絡的第二層網絡，得到第三特征圖，將第三特征圖和缺陷圖像分別輸入多域混合注意力模塊，通過小波驅動分支和注意力分支得到第四特征圖；

8、s5、將第四特征圖輸入a-acn骨干網絡的第三層網絡，并通過門控特征選擇模塊得到第五特征圖；

9、s6、將第五特征圖輸入a-acn骨干網絡的第四層網絡和第五層網絡，得到最終的輸出缺陷類別。

10、進一步地，所述s3中，使用峰值區域輔助特征學習模塊得到峰值特征圖的步驟包括，將缺陷圖像進行高斯濾波，保留主要特征；通過otsu大津法，自適應地選擇最佳閾值；通過二進制閾值法，獲取最大連通區域，即目標局部峰值區域；生成目標局部峰值區域的二值圖，作為峰值特征圖。

11、進一步地，所述高斯濾波的表達式為：

12、

13、其中，(x，y)為點坐標，σ為標準差，k為窗口模板大小參數，窗口模板大小為(2k+1)×(2k+1)。

14、進一步地，所述二進制閾值法的表達式為：

15、

16、其中，dst(x，y)為在坐標位置(x，y)的目標圖像的像素值，src(x，y)為坐標位置(x，y)的源圖像的像素，thresh為大津法自動確定的閾值，maxval為像素最大值。

17、進一步地，所述s4中，通過頻域注意力模塊基于全局視覺信息對特征映射值重新加權；通過小波驅動分支的二維離散小波變換得到缺陷圖像的低頻信息a、水平高頻信息h、垂直高頻信息v和對角高頻信息d，第(i，j)個小波特征圖的特征值表達式為：

18、xa(i,j)＝x(2i-1,2j-1)+x(2i-1,2j)+x(2i,2j-1)+x(2i,2j)，

19、xh(i,j)＝-x(2i-1,2j-1)-x(2i-1,2j)+x(2i,2j-1)+x(2i,2j)，

20、xv(i,j)＝-x(2i-1,2j-1)+x(2i-1,2j)-x(2i,2j-1)+x(2i,2j)，

21、xd(i,j)＝x(2i-1,2j-1)-x(2i-1,2j)-x(2i,2j-1)+x(2i,2j)，

22、其中，xa(i,j)為第(i，j)個小波特征圖的低頻信息，xh(i,j)為第(i，j)個小波特征圖的水平高頻信息，xv(i,j)為第(i，j)個小波特征圖的垂直高頻信息，xd(i,j)為第(i，j)個小波特征圖的對角高頻信息。

23、進一步地，將得到的小波特征圖的特征通過分組卷積處理，保留每個小波特征的本地語義，生成小波激活特征圖；將第三特征圖經過卷積處理，使其與小波激活特征圖維度一致，并得到第三特征圖與小波激活特征圖的逐元素積，作為強調各小波成分的小波激活群特征；通過選擇性平均池化層獲得每個子組壓縮后的特征，由mlp層處理獲得輸出；子組特征拼接后，由softmax層重新校準通道權重；與小波激活群特征逐通道相乘，得到小波驅動分支基于小波信息的局部語義增強特征。

24、進一步地，所述s5中，將第四特征圖輸入門控特征選擇模塊，將通道分為門控路徑和卷積路徑，其中，所述門控路徑通過sigmoid函數得到范圍是0至1的權重，權重越高則該特征在該位置越重要；所述卷積路徑將特征圖通過leakyrelu層非線性激活；將門控路徑和卷積路徑的輸出結果相乘得到第五特征圖。

25、進一步地，在所述方法的執行過程中，通過交叉熵損失函數反向傳播，更新模型的訓練參數。

26、根據本發明的第二方面，提供了一種電子設備，包括存儲器和處理器，所述存儲器上存儲有計算機程序，所述處理器執行所述程序時實現所述的方法。

27、根據本發明的第三方面，提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執行時實現所述的方法。

28、與現有技術相比，本發明具有以下有益效果：

29、(1)提高產品表面缺陷識別的精度：通過引入峰值區域輔助特征學習模塊，有效加強了網絡對目標重點區域，尤其是目標形狀結構特征的學習，提升了模型對復雜多變形狀和紋理結構的產品表面缺陷圖像的捕捉能力，使得在有限樣本學習中也能準確識別關鍵特征，此外，小波驅動的多域混合注意力模塊，將語義先驗知識、小波域和頻域注意力特征進行自適應融合，然后使用門控特征選擇機制對特征進行過濾增強，激活和重新加權了特征，并且加強了局部語義的學習，更深入地理解圖像中的缺陷信息，增強了模型的廣義特征提取能力，提高了缺陷識別的精度。

30、(2)提高識別的魯棒性：通過門控特征選擇模塊，對特征進行有效過濾和增強處理，門控特征選擇機制能夠關注相關特征并抑制不相關特征，從而增強學習到的特征的意義，有助于模型在識別過程中更加聚焦于關鍵的缺陷特征，提高了識別的準確性和魯棒性。

31、(3)增強泛化能力：將峰值區域輔助特征學習模塊、多域混合注意力模塊和門控特征選擇模塊與a-acn骨干網絡充分集成，構建了多域特征融合網絡，充分提取圖像的空間域、小波域和頻域特征，并優化融合高階深度特征和低階局部人工特征，全面描述了圖像目標的特征，使得模型在產品表面缺陷識別方面表現出更高的性能、更強的泛化能力和可信度。