本發(fā)明屬于圖像識別領(lǐng)域，特別涉及一種alc綠色環(huán)保墻板缺陷識別方法。

背景技術(shù)：

1、alc綠色環(huán)保墻板因其輕質(zhì)、保溫和隔音等優(yōu)點(diǎn)而廣泛應(yīng)用，但在生產(chǎn)過程中可能出現(xiàn)裂紋、氣泡、變色、剝落、污漬和凹陷缺陷，影響其性能和美觀；傳統(tǒng)的缺陷檢測方法如目視檢查依賴人工操作，容易受到主觀因素影響，導(dǎo)致漏檢或誤判，且效率低下的檢驗(yàn)速度難以滿足生產(chǎn)需求；alc綠色環(huán)保墻板缺陷識別方法通過自動(dòng)化和智能化手段，提高了檢測效率和準(zhǔn)確性，顯著縮短了檢測時(shí)間，減少了對人工的依賴，從而降低了人工成本，并及時(shí)發(fā)現(xiàn)產(chǎn)品的質(zhì)量問題，提高產(chǎn)品的可靠性和一致性。

2、傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（cnn）局限于局部感受域，難以捕捉全局上下文信息，而transformer雖然在全局理解上表現(xiàn)出色，但計(jì)算效率低，且可能忽略細(xì)節(jié)，結(jié)合cnn和transformer的優(yōu)點(diǎn)，可以同時(shí)實(shí)現(xiàn)對局部特征的精確捕捉與全局上下文的有效理解，從而提高模型的計(jì)算效率和細(xì)節(jié)保留能力，這種結(jié)合減少了計(jì)算冗余，提高alc綠色環(huán)保墻板缺陷識別的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種alc綠色環(huán)保墻板缺陷識別方法，旨在提出多頭自注意力、像素聚焦塊和特征傳遞前饋網(wǎng)絡(luò)；多頭自注意力通過多個(gè)獨(dú)立的注意力頭，增強(qiáng)了對多樣化特征和信息關(guān)系的捕捉能力，使模型能夠兼顧全局上下文與局部細(xì)節(jié)；像素聚焦塊則利用卷積操作提取局部特征，并通過位置嵌入增強(qiáng)空間感知，使模型能夠處理長序列數(shù)據(jù)；特征傳遞前饋網(wǎng)絡(luò)則有效融合局部與全局信息，提升模型在復(fù)雜任務(wù)中的表現(xiàn)；各模塊協(xié)同作用，確保缺陷識別模型在保持高計(jì)算效率的同時(shí)實(shí)現(xiàn)優(yōu)異的檢測性能。

2、本發(fā)明旨在提出多頭自注意力、像素聚焦塊、特征傳遞前饋網(wǎng)絡(luò)、高效特征提取塊和高效特征增強(qiáng)模塊，提供一種alc綠色環(huán)保墻板缺陷識別方法，包括以下步驟：

3、s1、alc綠色環(huán)保墻板缺陷數(shù)據(jù)集制作，收集alc綠色環(huán)保墻板缺陷圖片，包含多種缺陷類型，對每張alc綠色環(huán)保墻板缺陷圖片進(jìn)行缺陷標(biāo)注，形成alc綠色環(huán)保墻板缺陷數(shù)據(jù)集；

4、s2、構(gòu)建多頭自注意力，把特征圖拆分成n個(gè)特征子空間分別進(jìn)行自注意力操作，然后把自注意力操作輸出的特征圖連接并進(jìn)行深度可分離卷積，最后進(jìn)行殘差連接并輸出特征圖；

5、s3、構(gòu)建像素聚焦塊，通過展平、位置嵌入、歸一化、激活、多通道1d卷積捕獲特征圖的局部特征信息，并進(jìn)行殘差連接，最后輸出特征圖；

6、s4、構(gòu)建特征傳遞前饋網(wǎng)絡(luò)，包括全局平均池化、兩個(gè)全連接層、廣播上下文信息、并進(jìn)行殘差連接和輸出；

7、s5、構(gòu)建高效特征提取塊，包括n個(gè)高效特征提取模塊，高效特征提取模塊由多頭自注意力、像素聚焦塊和特征傳遞前饋網(wǎng)絡(luò)構(gòu)成；

8、s6、構(gòu)建高效特征增強(qiáng)模塊，包括1×1卷積、5×5卷積、5個(gè)高效特征提取塊，輸出增強(qiáng)后的特征圖；

9、s7、構(gòu)建alc綠色環(huán)保墻板缺陷識別模型，包括輸入、高效特征增強(qiáng)模塊、alc綠色環(huán)保墻板缺陷檢測頭和輸出；

10、s8、訓(xùn)練alc綠色環(huán)保墻板缺陷識別模型并檢測，使用alc綠色環(huán)保墻板缺陷數(shù)據(jù)集訓(xùn)練alc綠色環(huán)保墻板缺陷識別模型，訓(xùn)練完成后，將新的待檢測alc綠色環(huán)保墻板照片輸入到alc綠色環(huán)保墻板缺陷識別模型，得到檢測結(jié)果，檢測結(jié)果包括alc綠色環(huán)保墻板圖片中的缺陷位置及種類。

11、優(yōu)選地，在s1步驟中，對于多種缺陷類型，包含裂紋、氣泡、變色、剝落、污漬和凹陷缺陷。

12、優(yōu)選地，在s2步驟中，對于多頭自注意力，輸入特征，，、和分別代表的高、寬和通道，把拆分成n個(gè)特征，得到，， ?代表第i個(gè)拆分的特征，把n個(gè)頭獨(dú)立計(jì)算注意力，，分別代表第i個(gè)頭的線性變換權(quán)重矩陣，分別代表第i個(gè)頭的查詢、鍵和值，對和進(jìn)行自適應(yīng)池化，，，是池化后的固定尺寸，為第i個(gè)拆分特征的通道數(shù)，對每個(gè)頭分別計(jì)算注意力權(quán)重，，，是第i個(gè)頭的注意力權(quán)重矩陣，是縮放因子等于鍵向量的維度，將應(yīng)用于池化后的鍵，，，是第i個(gè)頭的加權(quán)輸出，并進(jìn)行殘差連接和卷積操作進(jìn)一步捕捉局部特征信息，，，代表1×1卷積，將所有的頭的輸出拼接，關(guān)注不同子空間的特征，并恢復(fù)原始通道維度，，，將拼接的輸出特征通過深度可分離卷積減少參數(shù)量并提高計(jì)算效率，，，最終通過殘差連接將輸入特征與處理后的特征相加，保留輸入特征的原始信息，得到最終的輸出，， ?。

13、優(yōu)選地，在s2步驟中，對于多頭自注意力，通過在全局范圍內(nèi)計(jì)算特征間的依賴關(guān)系，從多個(gè)視角捕捉特征的長距離關(guān)系，不同的注意力頭可以關(guān)注特征圖的不同部分，豐富了模型的上下文感知能力，使得全局信息得到有效融合。

14、優(yōu)選地，在s3步驟中，對于像素聚焦塊，輸入，，把輸入特征展平，空間信息轉(zhuǎn)化為序列信息，利用序列模型對位置的敏感性來捕捉信息，，，為，在展平的特征上添加位置嵌入，增強(qiáng)位置感知能力，避免展平后序列化特征丟失空間結(jié)構(gòu)，，，代表一個(gè)長為的序列位置嵌入，通過歸一化調(diào)整特征分布以提高模型的穩(wěn)定性，，，代表歸一化操作，通過leakyrelu函數(shù)激活，在序列化特征中引入非線性，從而更好地表達(dá)復(fù)雜的特征，，，代表激活函數(shù)，通過多通道1d卷積在多個(gè)特征通道上提取序列維度上的特征，捕捉相鄰位置特征之間的相關(guān)性，并進(jìn)行殘差連接避免梯度消失，，，?代表多通道1d卷積，代表連接操作，代表逐元素相加。

15、優(yōu)選地，在s3步驟中，對于像素聚焦塊，像素聚焦塊專注于局部特征，通過位置嵌入增強(qiáng)位置感知能力，利用多通道1d卷積捕捉鄰域特征，并使用殘差連接保留輸入信息。

16、優(yōu)選地，在s4步驟中，對于特征傳遞前饋網(wǎng)絡(luò)，輸入特征，，將特征通過全局平均池化，保留每個(gè)通道整體的特征，，，代表全局平均池化，通過兩個(gè)全連接層生成自適應(yīng)通道權(quán)重，增加非線性表達(dá)，自適應(yīng)地調(diào)整各個(gè)通道的權(quán)重，，，，為權(quán)重矩陣，為縮放比例，代表偏置項(xiàng)，?代表激活函數(shù)，將生成的權(quán)重廣播到空間維度，將廣播的權(quán)重與輸入的特征圖進(jìn)行逐通道乘法，使每個(gè)通道的權(quán)重影響到整個(gè)特征圖，并進(jìn)行殘差連接避免梯度消失得到輸出， ?，，代表逐通道乘法，代表逐通道逐元素相加。

17、優(yōu)選地，在s4步驟中，對于特征傳遞前饋網(wǎng)絡(luò)，通過通道加權(quán)機(jī)制自適應(yīng)地強(qiáng)調(diào)重要特征，使用全局平均池化和全連接層生成權(quán)重以增強(qiáng)顯著特征，在通道級別優(yōu)化特征表達(dá)，同時(shí)通過殘差連接穩(wěn)健傳遞特征，提升模型的非線性表達(dá)能力。

18、優(yōu)選地，在s5步驟中，對于高效特征提取塊，輸入特征，，將n個(gè)高效特征提取模塊堆疊，將長距離依賴的全局特征和細(xì)粒度的局部特征的融合，提高模型的性能和效率，，，，代表第個(gè)高效特征提取模塊，，代表多頭自注意力，代表像素聚焦塊，代表特征傳遞前饋網(wǎng)絡(luò)。

19、優(yōu)選地，在s5步驟中，對于高效特征提取塊，過堆疊多個(gè)高效特征提取模塊，將長距離依賴的全局特征和細(xì)粒度的局部特征有效融合，使得模型在保留細(xì)節(jié)信息的同時(shí)具備全局感知能力；其中，每個(gè)模塊利用多頭自注意力和像素聚焦塊提取的特征，進(jìn)一步通過特征傳遞前饋網(wǎng)絡(luò)優(yōu)化和增強(qiáng)特征表達(dá)，從而提升模型的性能和計(jì)算效率。

20、優(yōu)選地，在s6步驟中，對于高效特征增強(qiáng)模塊，輸入特征，，通過5×5卷積增強(qiáng)模型對局部信息的捕捉和第一個(gè)高效特征提取塊得到，，通過下采樣縮小空間尺寸、降低計(jì)算復(fù)雜度，并通過第二個(gè)高效特征提取塊進(jìn)一步提取深層特征得到，，通過下采樣進(jìn)一步減小空間分辨率，提取更深層次的特征，并通過第三個(gè)高效特征提取塊進(jìn)一步提取深層特征得到，，通過上采樣保留不同分辨率層之間的特征信息，殘差連接保留中層特征表達(dá)，再通過1×1卷積融合特征，并通過第四個(gè)高效特征提取塊進(jìn)一步提取深層特征得到，，通過上采樣恢復(fù)到原始分辨率，殘差連接保留初始特征信息，1×1卷積融合特征和第五個(gè)高效特征提取塊提取最終的增強(qiáng)特征得到，，最后通過5×5卷積在最終特征圖上做出進(jìn)一步的平滑和整合得到輸出，，，代表5×5卷積操作。

21、優(yōu)選地，在s6步驟中，對于高效特征增強(qiáng)模塊，通過多層次特征提取與融合，逐步提取全局與局部信息：初始輸入經(jīng)過5×5卷積和一系列高效特征提取塊提煉特征，并通過多層下采樣與上采樣逐步融合不同分辨率的特征，結(jié)合殘差連接保留關(guān)鍵信息，最終經(jīng)過1×1卷積和5×5卷積對特征進(jìn)一步整合，生成兼具細(xì)節(jié)和語義信息的增強(qiáng)輸出。

22、優(yōu)選地，在s7步驟中，對于alc綠色環(huán)保墻板缺陷識別模型，輸入圖像，通過骨干網(wǎng)絡(luò)得到圖像特征，輸入高效特征增強(qiáng)模塊得到增強(qiáng)后的輸出特征，再通過檢測頭進(jìn)行檢測，得到alc綠色環(huán)保墻板缺陷檢測結(jié)果，檢測結(jié)果包括alc綠色環(huán)保墻板缺陷的位置和種類。

23、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

24、本發(fā)明提供的技術(shù)方案提出了多頭自注意力、像素聚焦塊、特征傳遞前饋網(wǎng)絡(luò)；多頭自注意力通過在全局范圍內(nèi)計(jì)算特征間的依賴關(guān)系，從多個(gè)視角捕捉特征的長距離關(guān)系，不同的注意力頭可以關(guān)注特征圖的不同部分，豐富了模型的上下文感知能力，使得全局信息得到有效融合；像素聚焦塊專注于局部特征，通過位置嵌入增強(qiáng)位置感知能力，利用1d卷積捕捉鄰域特征，并使用殘差連接保留輸入信息，這樣設(shè)計(jì)使得模型可以精細(xì)地捕獲局部細(xì)節(jié)，尤其在邊緣和紋理等細(xì)粒度信息上表現(xiàn)出色；特征傳遞前饋網(wǎng)絡(luò)通過通道加權(quán)機(jī)制自適應(yīng)地強(qiáng)調(diào)重要特征，使用全局平均池化和全連接層生成權(quán)重以增強(qiáng)顯著特征，在通道級別優(yōu)化了特征表達(dá)，同時(shí)通過殘差連接穩(wěn)健地傳遞特征，提升模型的非線性表達(dá)能力；多種模塊的組合應(yīng)用確保了alc綠色環(huán)保墻板缺陷模型在計(jì)算效率和檢測性能之間的良好平衡。