(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210011698.1 (22)申请日 2022.01.06 (71)申请人 华东师范大学 地址 200241 上海市闵行区东川路5 00号 (72)发明人 马天龙　庄子崧　何峻　 (74)专利代理 机构 上海蓝迪专利商标事务所 (普通合伙) 31215 代理人 徐筱梅　张翔 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于DSC-UNET模型的缺陷检测方法 (57)摘要 本发明公开了一种基于DSC ‑UNET模型的缺 陷检测方法， 旨在利用计算机视觉相关技术高 效、 准确地处理各类缺陷检测任务。 DSC ‑UNET的 输入为待检测对象的图像， 它将原始图像的各个 像素映射到其所在位置存在的缺陷类型， 输出与 原始图像尺寸相同的缺陷预测图， 便于高效、 准 确地检测出待检测对象存在的缺陷。 DSC ‑UNET改 进了U‑NET的跳跃连接， 引入了用于动态加权的 全连接层， 用于动态评估编码器网络同一层的各 特征图的重要程度， 根据评估结果对相应特征图 进行增强或抑制， 再将这些加权过的特征图输入 跳跃连接， 克服了原始U ‑NET网络缺乏适应性的 缺点， 有效提高了模型的泛化能力。 本发明提供 了一种以DSC ‑UNET模型为核心的缺陷检测方法， 能够适应各类基于视觉信息的缺陷检测应用场 景。 权利要求书2页 说明书4页 附图1页 CN 114359229 A 2022.04.15 CN 114359229 A 1.一种基于D SC‑UNET模型的缺陷检测方法， 其特 征在于， 该 方法包括以下 具体步骤： (1) 建立缺陷检测基准数据集； (2) 建立基于D SC‑UNET的缺陷检测模型； (3) 训练基于D SC‑UNET的缺陷检测模型； (4) 采集待检测图像， 将其输入 模型以获取 预测结果。 2.根据权利要求1所述的缺陷检测方法， 其特 征在于， 所述 步骤(1)具体为： （1． 1） 根据检测对象的特点选择成像手段， 采集至少10000张检测对象的图像数据： 普 通彩色照 片或X射线影像， 并对所得图像进 行旋转校正、 平移缩放和对比度调整后规范为一 系列边长为 I的正方形图像， 构成原 始图像的集 合； （1.2） 对每一张原始图像， 使用人工检测方式， 判断图像中是否存在缺陷， 并确定缺陷 类别、 位置和范围； （1.3） 依照人工检测的结果， 通过数据标注工具生成原始图像对应的标签数据， 具体为 一个与原始图像大小一致的矩阵， 每个元素的值域为[0,  C‑1]区间内的整数， C为缺陷的种 类数， 包括无缺陷； 具体编码方案为： 0、 1、 2、 …、 C‑1依次对应于无缺陷、 缺陷类型1、 缺陷类 型2、…、 缺陷类型C ‑1； （1.4） 将一张原始图像与 其标签数据建立对应关系， 存储为一个数据样本， 由所有数据 样本构造的集 合即为所建立的缺陷检测基准数据集。 3.根据权利要求1所述的缺陷检测方法， 其特 征在于， 所述 步骤(2)具体为： （2.1） 基于DSC ‑UNET模型结构， 构 建模型卷积主体部分； 模型卷积主体由编码器 网络和 解码器网络组成， 编码 器网络由五个特征编码 子层构成， 由浅至深依次称作E1、 E2、 E3、 E4及 E5， 每个特征编码子层由两个卷积层拼接构成， 相邻特征编码子层之间通过极大池化层连 接； 解码器网络由四个特征解码 子层构成， 由浅至深依次称作D1、 D2、 D3及D4， 每个特征解码 子层由两个卷积层拼接构成， 相邻特征解码子层之间、 E5与D4之间通过反卷积即转置卷积 层连接； 处于同一深度的编码子层和解码子层拥有相同的特 征图尺寸； （2.2） 在编码器网络和解码器网络 的对应层次之间添加DSC单元， 作为U ‑NET中跳跃连 接的替代结构； DS C单元的运算流程为： 以编码 器侧的K张特征图为输入， 对每张特征图做全 局平均池化， 得到一个1*K的向量， 再经过含有一个隐藏层的全 连接网络后， 得到另一个1*K 的向量， 将其作为权重对输入的K张特征图依 次进行增强或抑制， 最终得到的新的K张特征 图作为DSC单元的输出， 再拼接 到解码器侧作为输入。 4.根据权利要求1所述的缺陷检测方法， 其特 征在于， 所述 步骤(3)具体为： （3.1） 划分训练集和测试集； 将步骤 （1） 所得的数据 集以8:2的比例划分为两个子集， 其 中前者作为训练集， 参与模型参数的更新， 后者作为测试集， 用于在训练过程中监测模型的 泛化误差； （3.2） 使用带动量的SGD作为模型的优化器， 并使用交叉熵作为损失函数来训练； （3.3） 训练至模型收敛后， 保存 模型检查 点数据。 5.根据权利要求1所述的缺陷检测方法， 其特 征在于， 所述 步骤(4)具体为： （4.1） 对待检测的产品进行成像， 对获取到的图像进行旋转校正、 平移缩放和对比度调 整， 标准化边长为I的正方形图像， 输入 模型； （4.2） 模型预测结果格式与训练时使用的标签数据相同， 输出矩阵的非零值即为可能权　利　要　求　书 1/2 页 2 CN 114359229 A 2存在缺陷的位置， 根据对应缺陷类型 的编码识别不同类型 的缺陷， 并将缺陷预测数据传递 至下一个生产环 节以供使用。权　利　要　求　书 2/2 页 3 CN 114359229 A 3