本發(fā)明屬于目標(biāo)檢測，特別是涉及一種面向多領(lǐng)域的邊緣感知特征智能視覺檢測方法。

背景技術(shù)：

1、在現(xiàn)代工業(yè)生產(chǎn)和日常生活中，準(zhǔn)確檢測物體表面的缺陷或異常是確保產(chǎn)品質(zhì)量、安全性和可靠性的重要環(huán)節(jié)。無論是紡織行業(yè)的織物瑕疵檢測，電子制造業(yè)的電路板缺陷識別，醫(yī)療領(lǐng)域的影像診斷，還是城市交通監(jiān)控中的車輛檢測，這些應(yīng)用場景都面臨著共同的挑戰(zhàn)：如何在復(fù)雜多變的環(huán)境中，快速且準(zhǔn)確地識別出微小且隱蔽的缺陷或異常。

2、紡織行業(yè)：在未經(jīng)煉染的絲綢制造過程中，可能出現(xiàn)雙經(jīng)、夾斷頭和缺緯等細(xì)微瑕疵。這些瑕疵雖然體積小，但對成品質(zhì)量影響巨大。傳統(tǒng)的檢測方法在處理此類光澤敏感面料時(shí)，因光照條件引起的光澤變化導(dǎo)致無缺陷區(qū)與缺陷區(qū)對比度低，難以準(zhǔn)確檢測。電子制造業(yè)：電路板上的焊接不良、元件缺失等問題，如果不能及時(shí)發(fā)現(xiàn)，可能導(dǎo)致整個(gè)產(chǎn)品失效。這些缺陷往往非常微小，且電路板表面復(fù)雜，傳統(tǒng)的檢測手段難以覆蓋所有可能的缺陷類型。醫(yī)療影像診斷：醫(yī)學(xué)影像中的病灶檢測，如肺部ct影像中的結(jié)節(jié)、腦部mri影像中的腫瘤等，需要在復(fù)雜的背景中準(zhǔn)確識別出異常區(qū)域。這些病灶通常很小，且與正常組織的對比度不高，對檢測方法的靈敏度和準(zhǔn)確性要求極高。城市交通監(jiān)控：在交通監(jiān)控中，需要實(shí)時(shí)檢測道路上的車輛、行人等目標(biāo)，尤其是在夜間或惡劣天氣條件下，目標(biāo)的識別難度增加。此外，還需要識別出車輛的異常情況，如超速、違章停車等，這對檢測方法的魯棒性和實(shí)時(shí)性提出了更高的要求。

3、綜上所述，無論是在紡織、電子制造、醫(yī)療影像還是城市交通監(jiān)控等領(lǐng)域，都需要一種能夠在復(fù)雜背景或不穩(wěn)定的光照條件下，準(zhǔn)確檢測微小且隱蔽缺陷或異常的方法。這不僅能夠提高生產(chǎn)效率和產(chǎn)品質(zhì)量，還能保障公共安全和健康。因此，開發(fā)一種基于邊緣感知特征優(yōu)化的通用檢測方法，具有廣泛的應(yīng)用前景和重要的現(xiàn)實(shí)意義。

技術(shù)實(shí)現(xiàn)思路

1、為了解決面對微小目標(biāo)時(shí)，現(xiàn)有目標(biāo)檢測方法易受復(fù)雜背景和不穩(wěn)定光照影響的問題，本發(fā)明提供了一種面向多領(lǐng)域的邊緣感知特征智能視覺檢測方法，其特征在于，包括以下步驟：

2、步驟1：構(gòu)建多領(lǐng)域視覺感知系統(tǒng)。利用集成的機(jī)器視覺采集裝置，捕捉并實(shí)時(shí)處理來自不同領(lǐng)域（例如工業(yè)、醫(yī)療、自動(dòng)駕駛等）的目標(biāo)區(qū)域視覺信息。該裝置包括：成像模塊（包含高分辨率工業(yè)相機(jī)及自適應(yīng)鏡頭），支撐模塊（相機(jī)支架），照明模塊（環(huán)境光源和定向光源結(jié)合），以及處理模塊（基于高效工控機(jī)的圖像處理單元）。

3、步驟2：動(dòng)態(tài)視覺信息采集與預(yù)處理。根據(jù)領(lǐng)域特定的采集周期，采集目標(biāo)區(qū)域的視覺信息。工業(yè)相機(jī)通過接收到的動(dòng)作指令，實(shí)時(shí)采集圖像并保存為原始數(shù)據(jù)集。數(shù)據(jù)集進(jìn)一步劃分為訓(xùn)練集與測試集，其中數(shù)據(jù)集的劃分比例可根據(jù)實(shí)際需要進(jìn)行自適應(yīng)調(diào)整。

4、步驟3：設(shè)計(jì)多層次空間域邊界感知方法。利用空間注意力的邊界感知模塊動(dòng)態(tài)權(quán)衡特征圖中的不同位置，將提取的特征劃分為前景目標(biāo)特征和背景特征，并分析特征及其相關(guān)系數(shù)，以獲得復(fù)雜背景下檢測目標(biāo)的邊緣輪廓信息。

5、采用的空間注意力動(dòng)態(tài)權(quán)衡特征圖中的不同位置，將低層特征表示為，空間位置的集合表示為，其中是低層特征的空間坐標(biāo)，為了增加感受野并獲得全局信息但不增加參數(shù)，采用兩個(gè)卷積層以捕獲空間關(guān)注點(diǎn)，然后通過sigmoid運(yùn)算對編碼空間圖進(jìn)行歸一化處理，其表示為：

6、

7、

8、

9、

10、式中，是空間注意塊中的參數(shù)，是sigmoid運(yùn)算，和分別為和對流層，表示高層特征，表示低層特征通過空間注意力加權(quán)后的特征。

11、采用多層次空間域邊界感知方法，通過結(jié)合低維與高維特征的多重輸入形式，精細(xì)化目標(biāo)邊緣的提取。該方法通過二進(jìn)制交叉熵?fù)p失函數(shù)對邊緣信息進(jìn)行優(yōu)化，提升復(fù)雜背景下目標(biāo)的檢測精度，其表示為：

12、

13、式中，表示第個(gè)圖像所產(chǎn)生的邊界圖，并且表示第個(gè)真值圖的邊界圖，其采用canny邊緣檢測方法提取。

14、步驟4：特征聚合與融合機(jī)制的優(yōu)化。采用注意力誘導(dǎo)的特征聚合方法，通過融合來自不同尺度的特征圖，增強(qiáng)圖像中目標(biāo)的表達(dá)能力。該步驟可根據(jù)輸入圖像的不同層次特征選擇性地聚合，提高多層次目標(biāo)信息的融合效果。

15、豐富多尺度特征的感受野單元采用不同尺寸卷積核的卷積層構(gòu)成的多分枝結(jié)構(gòu)，增促進(jìn)不同尺度特征的融合以模擬人類視覺的感受野。感受野單元包括五個(gè)分支，其中四個(gè)分支采用卷積層和具有膨脹率的卷積層（），第五個(gè)分支的輸出與前四個(gè)分支的特征相加，進(jìn)一步饋送到relu激活以獲得最終特征。

16、輸入的兩個(gè)特征a和b，將b上采樣到與a同樣大小，先做初始特征融合，經(jīng)過多尺度通道注意力模塊，輸出融合特征的通道信息權(quán)重，然后對a?、b?做加權(quán)平均，然后將加權(quán)后的a、b特征融合，最后經(jīng)過3x3卷積，得到最終的輸出特征，實(shí)現(xiàn)跨層融合多尺度特征，具體跨層融合過程如下：

17、

18、式中，表示多尺度通道注意力，和表示兩個(gè)輸入特征，表示和的初始融合，被上采樣兩次，然后與逐元素相加，表示按元素相乘。

19、步驟5：全局上下文差異化增強(qiáng)。引入全局上下文差異模塊，優(yōu)化目標(biāo)特征與背景特征的分離。通過差異化上下文信息抑制背景噪聲，突出目標(biāo)區(qū)域的顯著性，從而提升檢測模型的精度。

20、輸入的多尺度融合特征，經(jīng)過兩個(gè)分支，第一分支對進(jìn)行3x3卷積操作得到，再將和經(jīng)過多尺度通道注意力模塊后的輸入相乘，得到。第二分支對進(jìn)行池化和3x3卷積操作得到，跟進(jìn)行同樣的操作后得到。之后將進(jìn)行上采樣并與差分加權(quán)，經(jīng)過3x3卷積，加上特征后再次經(jīng)過3x3卷積，最終得到輸出特征，增強(qiáng)融合特征的表達(dá)，具有的計(jì)算過程如下：

21、

22、式中，、、和表示卷積、平均池化、多尺度通道注意力和上采樣操作。

23、步驟6：邊緣感知目標(biāo)顯著性檢測網(wǎng)絡(luò)構(gòu)建。結(jié)合步驟3、步驟4、步驟5中提取的特征，構(gòu)建端到端的邊緣感知目標(biāo)檢測網(wǎng)絡(luò)，自動(dòng)分割圖像中的前景目標(biāo)與背景區(qū)域。該網(wǎng)絡(luò)能夠顯著提高在復(fù)雜背景下目標(biāo)的檢測精度和魯棒性。

24、網(wǎng)絡(luò)由四個(gè)主要組件組成，包括特征提取模塊、多層特征處理模塊、特征融合細(xì)化模塊和預(yù)測模塊。多層特征處理模塊主要由邊界感知單元和感受野單元組成，邊界感知單元的結(jié)構(gòu)如圖3所示，感受野單元的結(jié)構(gòu)如圖4所示；特征融合細(xì)化模塊主要由兩對注意力誘導(dǎo)特征聚合單元和全局上下文差分單元組成。

25、步驟7：模型訓(xùn)練與優(yōu)化。利用多領(lǐng)域的訓(xùn)練集數(shù)據(jù)，針對不同場景的目標(biāo)特征，進(jìn)行深度學(xué)習(xí)訓(xùn)練。通過自適應(yīng)優(yōu)化策略調(diào)整網(wǎng)絡(luò)參數(shù)，獲得在不同領(lǐng)域中最優(yōu)的目標(biāo)檢測性能。

26、模型的目標(biāo)損失函數(shù)被定義為：，其中和分別表示全局和局部限制的加權(quán)損失和損失，總損失函數(shù)可以表示如下：

27、。

28、步驟8：模型應(yīng)用與目標(biāo)檢測。

29、在步驟7訓(xùn)練完畢的檢測模型上進(jìn)行實(shí)際應(yīng)用，對步驟2測試集的圖像數(shù)據(jù)進(jìn)行目標(biāo)檢測，并實(shí)時(shí)輸出目標(biāo)的位置與類別。

30、本發(fā)明有益效果是：

31、本發(fā)明采用一種面向多領(lǐng)域的邊緣感知特征智能視覺檢測方法進(jìn)行圖像目標(biāo)的檢測，結(jié)合機(jī)器視覺信息數(shù)據(jù)，構(gòu)建了邊緣感知的目標(biāo)顯著性檢測網(wǎng)絡(luò)、多層次空間域邊界感知方法、注意力誘導(dǎo)特征聚合方法和全局上下文差分方法，解決現(xiàn)存復(fù)雜背景或不穩(wěn)定的光照條件下，微小且隱蔽缺陷或異常檢測困難的問題，以提高多領(lǐng)域復(fù)雜環(huán)境下目標(biāo)檢測精度。