(19)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 202211298816.8 (22)申请日 2022.10.24 (71)申请人 江苏智云天工科技有限公司 地址 213000 江苏省常州市 常州钟楼经济 开发区玉龙南路280号常州 大数据产 业园4号楼2楼201室 (72)发明人 徐超　张志琦　赵何　 (74)专利代理 机构 常州佰业腾飞专利代理事务 所(普通合伙) 32231 专利代理师 刘松 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 工业缺陷检测方法和装置 (57)摘要 本发明涉及缺陷检测技术领域， 提供了一种 工业缺陷检测方法和装置， 其中， 所述方法包括 以下步骤： 构建缺陷检测模型， 其中， 缺陷检测模 型包括融入注 意力机制的双向特征金字塔网络； 获取待测工件的图像数据； 标注增强图像数据； 根据标注增强后的图像数据剪枝处理缺陷检测 模型得到最终缺陷检测模型； 根据最终缺陷检测 模型检测待测工件。 本发明能够同时对多尺度的 特征进行双向融合， 不仅能够提高特征利用率， 还能够充分提取特征信息， 从而能够提高缺陷检 测性能， 并能够降低缺陷检测的漏检率和误检 率， 此外， 还能够在保证各项缺陷检测性能指标 保持不变的情况下， 大幅减少模型的参数量， 从 而能够提高质检的效率。 权利要求书2页 说明书12页 附图3页 CN 115359064 A 2022.11.18 CN 115359064 A 1.一种工业 缺陷检测方法， 其特 征在于， 包括以下步骤： 构建缺陷检测模型， 其中， 所述缺陷检测模型包括融入注意力机制的双 向特征金字塔 网络； 获取待测工件的图像数据； 标注增强所述图像数据； 根据标注增强后的所述图像数据剪枝处 理所述缺陷检测模型 得到最终缺陷检测模型； 根据所述 最终缺陷检测模型检测所述待测工件。 2.根据权利要求1所述的工业缺陷检测方法， 其特征在于， 所述缺陷检测模型为改进的 YOLOX网络模型， 所述改进的YOLOX网络模型的Backbone网络为Darknet53网络， 所述改进的 YOLOX网络模 型的Neck网络为融入注意力机制的双向特征金字塔网络， 所述改进的YOLOX网 络模型的Yo lo head网络为Decoupled  head网络 。 3.根据权利要求2所述的工业缺陷检测方法， 其特征在于， 所述融入注意力 机制的双向 特征金字塔网络， 包括第一SE模块、 第二SE模块、 第三SE模块、 第四SE模块、 第五SE模块、 第 一SE+UpSample模块、 第二SE+UpSample模块、 第一SE+Co nv模块和第二SE+Co nv模块， 其中， 所述第一SE+UpSample模块 的特征输入端与所述Darknet53网络的第一特征输出端相 连； 所述第一SE模块的特征输入端与所述Darknet53网络的第二特征输出端相连， 并且所 述第一SE模块的特 征输出端与所述第一SE+UpSample模块的特 征输出端相连； 所述第二SE+UpSample模块的特 征输入端与所述第一SE模块的特 征输出端相连； 所述第二SE模块的特征输入端与所述Darknet53网络的第三特征输出端相连， 并且所 述第二SE模块的特征输出端与所述第二SE+UpSample模块的特征输出端相连， 以用于输出 第一输出 特征图； 所述第三SE模块的特 征输入端与所述Dark net53网络的第二特 征输出端相连； 所述第四SE模块的特 征输入端与所述第一SE模块的特 征输出端相连； 所述第一SE+Conv模块的特征输入端用于输入所述第一特征输出图， 并且所述第一SE+ Conv模块的特征输出端还分别与所述第三SE模块的特征输出端和所述第四SE模块的特征 输出端相连， 以用于 输出第二输出 特征图； 所述第五SE模块的特 征输入端与所述Dark net53网络的第一特 征输出端相连； 所述第二SE+Conv模块的特征输入端用于输入所述第二特征输出图， 并且所述第二SE+ Conv模块的特征输出端与所述第五SE模块的特征输出端相连， 以用于输出第三特征输出 图。 4.根据权利要求1所述的工业缺陷检测方法， 其特征在于， 所述根据标注增强后的所述 图像数据剪枝处 理所述缺陷检测模型 得到最终缺陷检测模型， 具体包括以下步骤： 根据标注增强后的所述图像数据剪枝处理所述缺陷检测模型以得到所述缺陷检测模 型的网络 权重； 采用范数正则化所述 缺陷检测模型的损失函数以改进所述 缺陷检测模型的损失函数； 根据所述网络权重对改进损失函数后的所述缺陷检测模型进行稀疏训练直至模型收 敛； 根据稀疏训练后的所述缺陷检测模型的通道权值进行通道剪枝以得到所述最终缺陷权　利　要　求　书 1/2 页 2 CN 115359064 A 2检测模型。 5.根据权利要求4所述的工业缺陷检测方法， 其特征在于， 所述根据稀疏训练后的所述 缺陷检测模型的通道权值进行通道剪枝以得到最终缺陷检测模型， 具体包括以下步骤： 判断稀疏训练后的所述 缺陷检测模型的各个通道的权值是否小于参 考阈值； 若是， 则剪除对应通道； 根据标注增强后的所述图像数据训练通道剪枝后的所述缺陷检测模型直至模型收敛， 从而得到所述 最终缺陷检测模型。 6.根据权利要求4所述的工业缺陷检测方法， 其特征在于， 所述缺陷检测模型改进的损 失函数为： 其中，x为训练输入数据， y为训练输入数据的标签， W为所述缺陷检测模型的待训练参 数，f为所述缺陷检测模 型的预测函数， l为所述缺陷检测模 型的原损失函数， g(.)为所述缺 陷检测模型 的缩放因子的惩罚项， 其中， 所述缺陷检测模型 的缩放因子为所述缺陷检测模 型中BN层的γ参数， λ为所述惩罚项的平衡因子 。 7.一种工业 缺陷检测装置， 其特 征在于， 包括： 建模模块， 所述建模模块用于构建缺陷检测模型， 其中， 所述缺陷检测模型包括融入注 意力机制的双向特 征金字塔网络； 获取模块， 所述获取模块用于获取待测工件的图像数据； 处理模块， 所述处 理模块用于标注增强所述图像数据； 训练模块， 所述训练模块用于根据标注增强后的所述图像数据剪枝处理所述缺陷检测 模型得到最终缺陷检测模型； 检测模块， 所述检测模块用于根据所述 最终缺陷检测模型检测所述待测工件。 8.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时， 实现根据权利要求1 ‑6中任一 项所述的工业 缺陷检测方法。 9.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被 处理器执行时实现根据权利要求1 ‑6中任一项所述的工业 缺陷检测方法。权　利　要　求　书 2/2 页 3 CN 115359064 A 3