详情

原文传递一种基于多尺度梯度选择自适应的路面缺陷检测方法

专利名称：	一种基于多尺度梯度选择自适应的路面缺陷检测方法
摘要：	本发明公开了一种基于多尺度梯度选择自适应的路面缺陷检测方法，属于缺陷检测技术领域，包括以下步骤：S1、构建多尺度特征选择内存库；S2、使用待测样本以及内存库中样本进行耦合超球自适应训练；S3、对待评分样本进行缺陷评分。本发明采用上述的一种基于多尺度梯度选择自适应的路面缺陷检测方法，构建了轻量级且特征更具有代表性的内存库可以解决复杂路面场景下的缺陷定位问题，还可缓解大规模自然数据集与目标缺陷数据集的数据分布偏差，还能够为模型提供更多的全局语义信息和提升模型在弱纹理场景下检测与定位细微缺陷的能力。
专利类型：	发明专利
国家地区组织代码：	福建;35
申请人：	闽江学院
发明人：	李佐勇;郑祥盘;张逸杰;刘伟霞;赖桃桃
专利状态：	有效
申请日期：	2023-08-30T00:00:00+0800
发布日期：	2023-11-21T00:00:00+0800
申请号：	CN202311103081.3
公开号：	CN117094978A
代理机构：	北京知艺互联知识产权代理有限公司
代理人：	余青
分类号：	G06T7/00;E01C23/01;G06N3/0464;G06N3/08;G;E;G06;E01;G06T;E01C;G06N;G06T7;E01C23;G06N3;G06T7/00;E01C23/01;G06N3/0464;G06N3/08
申请人地址：	350121 福建省福州市闽侯大学城溪源宫路200号
主权项：	1.一种基于多尺度梯度选择自适应的路面缺陷检测方法，其特征在于，包括以下步骤： S1、构建多尺度特征选择内存库； S2、使用待测样本以及内存库中样本进行耦合超球自适应训练； S3、对待评分样本进行缺陷评分。 2.根据权利要求1所述的一种基于多尺度梯度选择自适应的路面缺陷检测方法，其特征在于，步骤S1中，构建多尺度特征选择内存库，包括以下步骤： S11、采用多尺度梯度选择的方法提取无缺陷特征中具有代表性的特征Aij； S12、将所提取到的特征Aij与拉普拉斯卷积核进行卷积操作并进行归一化，得到梯度特征Gij，再更根据标准正态分布概率生成每个像素点被选取的概率值Pij，若梯度特征Gij不小于被选取概率值Pij则认为所获得的梯度特征Gij具有代表性； S13、根据步骤S12对于每个像素点进行概率选择，由梯度特征Gij生成选择后的特征Sij，再将Sij存入内存库C中。 3.根据权利要求2所述的一种基于多尺度梯度选择自适应的路面缺陷检测方法，其特征在于，通过指数平均移动算法来进行内存库C的更新，公式如下： Cn＝α·Cn-1+(1-α)·Sij 其中n表示内存库第n次更新，α表示指数平均移动算法中的指数，Cn表示第n次更新后内存库的结果，Cn-1表示第n-1次更新后内存库的结果。 4.根据权利要求3所述的一种基于多尺度梯度选择自适应的路面缺陷检测方法，其特征在于，步骤S2中，使用待测样本以及内存库中样本进行耦合超球自适应训练，包括以下步骤： S21、由基于轴线自注意力的描述符提取自适应特征； S22、采用耦合超球损失函数对路面缺陷检测模型进行训练；耦合超球损失公式如下： Ltotal＝Lg+Ls 其中，Lg为聚集损失；Ls为分离损失； Lg的计算公式如下： Ls的计算公式如下：其中，H和W分别表示图像的高和宽，K表示最近邻特征中心点个数，M表示除了K个最近邻特征中心外的M个次近邻特征中心；At表示自适应特征A中第t个像素点，表示内存库C中距离At特征最近邻的第k个特征中心；D表示L2距离计算函数；/>表示内存库C中除去最近邻k个中心点以外距离At特征次近邻的第m个特征中心；β表示Lg和Ls间的平衡因子；r表示所构建的耦合超球的半径，t表示第t个像素点，m表示第m个中心次近邻中心，k表示第k个最近邻中心，Φ表示的是预训练卷积神经网络。 5.根据权利要求4所述的一种基于多尺度梯度选择自适应的路面缺陷检测方法，其特征在于，步骤S3中，对待评分样本进行缺陷评分，包括以下步骤： S31、计算内存库中最靠近测试图像的Z中心，生成Z个缺陷评分图：其中，z为异常得分图索引，Aij表示自适应特征，Cz表示内存库中于自适应特征Aij最近邻的第z个中心； S32、使用柔性最小值函数计算测试图像相对于Z中心的权重，计算公式如下：其中，表示测试图像与内存库C中最近邻特征中心计算出的特征图； S33、使用上采样函数将不同尺度的缺陷评分图到相同尺寸，上采样函数如下：其中，J表示多尺度模型采用尺度的个数，Upsampling表示插值上采样方法。