雙注意力驅動的微小缺陷識別方法研究

摘 要： 針對深度卷積提取過程中微小缺陷特征消失問題，該文提出融合雙注意力機制和躍進殘差結構的微小缺陷識別深度卷積網絡模型，該模型在訓練過程中分別在通道維度和空間維度將權重更多地偏向目標特征，更多地關注到微小缺陷特征，抑制冗余缺陷特征；同時為了進一步緩解深度卷積中微小缺陷特征消失的問題，設計躍進殘差結構通過少量的支路連接將微小缺陷特征傳遞到深層網絡，既減少微小缺陷特征漏檢，同時提高支路卷積計算速度。以實際采集的布匹缺陷數據集開展模型測試實驗。該文提出的模型相比于ResNet50、ResNet101，微小缺陷的識別率分別提高6.79% 和6.88 %，證明該文模型在微小缺陷識別任務中的有效性。

關鍵詞： 微小缺陷識別; 雙注意力機制; 殘差網絡; 深度卷積神經網絡

中圖分類號： TB9; U4772.9 文獻標志碼： A 文章編號： 1674–5124（2025）03–0162–08

0 引 言

工業場景下的大尺寸材料表面微小缺陷的圖像特征信息少，圖像的背景信息復雜，缺陷的細節信息不明顯，極易造成微小缺陷特征與冗余背景特征混淆，嚴重影響微小缺陷的識別檢測，微小缺陷的漏檢率居高不下。工業場景下的微小缺陷識別檢測是機器視覺研究領域的難題之一 [1-2]。

國際上主流研究方法主要是通過融合不同感受野的特征圖層來增強微缺陷的細節信息。例如Cui等 [3] 通過引入了FRB 模塊來融合不同分辨率的特征，讓模型更好地預測鋼的表面微缺陷；Su 等 [4] 在RPN 中利用BAFPN 來融合深淺層特征信息，讓小缺陷特征能在預測部分保留；Zheng 等 [5] 通過將ResNet50 結合改進的RPN 結構來豐富微小特征信息，從而提高模型針對微小缺陷的檢測能力；Huang等 [6] 改進了PANet 網絡，使得包含更多微小特征的淺層特征更好地保留；Zeng 等 [7] 通過融合不同尺度的特征圖來增加深度圖層的微小缺陷特征信息。與此同時，通過在輸入端對數據做處理來加強細節特征也是一個研究方向， 例如Jiang 等 [8] 通過AGDA 模塊來對輸入數據進行增強處理，讓缺陷所在的區域在特征圖中的信息更豐富；Yoon 等 [9] 將原始圖像輸入替換為補片輸入，有效地提高了神經網絡對微小缺陷的特征提取效果。

可見，已有方法通過對特征圖層的融合以及對輸入數據的處理，實現了微小特征信息的增強，然而以上模型仍未能解決由于背景和冗余特征導致的目標特征消失問題，微小缺陷的特征在經過多層卷積層傳遞后消失的機率仍比較大。

面向大尺度材料表面微小缺陷識別問題，本文擬在卷積過程中對微缺陷特征進行及時增強，使得卷積神經網絡能夠關注到圖像中需要增強的目標特征，抑制不相干信息，保證缺陷特征能輸出到最后一級的特征圖層。基于此，本文在卷積神經網絡中引入雙注意力機制[10-11]，一是構建通道注意力，捕獲微小缺陷特征，增強微小缺陷特征所在通道權重，并抑制其他通道；二是建立空間注意力，增強微小缺陷特征信息通道所在的圖像空間位置特征。特征權重的調整則通過躍進殘差結構[12] 來讓微小特征更完整地傳遞到網絡最后一層。