本发明涉及锯条缺陷检测，尤其涉及一种基于边缘增强的锯齿崩齿缺陷识别方法及装置。
背景技术：
1、锯条是一种广泛用于机械制造等领域中的机械、手工具、电动锯等的切削工具，可以用于切割各种材料。对锯条进行质量检测可以确保其质量与安全性，对锯条的锯齿崩齿缺陷检测即是锯条质量检测中的重要一环。针对于锯条的锯齿崩齿缺陷检测，目前主要是采用人工抽检的方式，若检测到崩齿则在缺陷区域进行标记以用于锯条品质评估。但是人工抽检的方式一方面检测效率低，只能对所生产的锯条进行抽检，难以覆盖全部生产的锯条，且只能在锯条静止状态下进行，另一方面检测精度也不高，容易导致漏检、误检等。
2、智能缺陷检测方法是通过采集被测物的特征，采用智能检测算法对待检测缺陷进行定位以及缺陷识别，智能识别出缺陷位置，可以提高检测的效率以及精度。但是现有技术中智能检测算法通常是适用于表面缺陷的检测，即缺陷位于载体表面的缺陷。而与表面缺陷不同的，锯条崩齿缺陷主要发生在锯齿边缘位置，且其缺陷几何形状、大小、位置具有一定随机性，缺陷形状与锯齿边缘往往相融合，即崩齿缺陷与锯条边缘是融为一体的，导致崩齿缺陷具体表现主要为锯条边缘有一定几何形状缺损，由于该崩齿缺陷区域面积较小，且不同位置锯齿形状因为锯齿作用、制作工艺等因素其形状具有一定变化，采用传统缺陷检测方法直接对缺陷进行定位识别会面临小目标检测识别问题及正负样本严重不平衡问题，致使检测的效率以及精度不高，易于发生漏检、误检。
技术实现思路
1、本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、复杂程度低、检测效率以及精度高的基于边缘增强的锯齿崩齿缺陷识别方法及装置，能够实现快速、精准的锯齿崩齿缺陷自动化识别。
2、为解决上述技术问题，本发明提出的技术方案为：
3、一种基于边缘增强的锯齿崩齿缺陷识别方法，步骤包括：
4、步骤s01.获取待识别锯齿图像，初步定位出锯齿区域的roi（region ofinterest，感兴趣区域）区域；
5、步骤s02.采用卷积神经网络对所述roi区域进行特征提取得到不同分辨率的特征图，并对得到的特征图进行边缘增强得到roi区域的边缘增强图；
6、步骤s03.将所述特征图、边缘增强图输入至预先构建的语义分割模型中进行语义分割以定位出锯齿边缘位置，所述语义分割模型中通过将至少两个指定位置处所对应的不同分辨率的所述特征图分别使用不同扩张率可变形空洞卷积核进行卷积运算，得到不同尺度的语义信息，分别将所述不同尺度的语义信息与所述边缘增强图进行合并，并将合并后结果分别采用不同卷积核感受野进行多尺度深度可分离卷积运算以融合不同尺度语义信息；
7、步骤s04.根据所述锯齿边缘位置截取出锯齿区域，将截取出的所述锯齿区域输入至预先使用崩齿缺陷样本数据集训练好的崩齿缺陷检测模型中进行识别得到崩齿缺陷识别结果。
8、进一步的，所述步骤s03中，所述语义分割模型为基于deeplabv3+模块构建形成，并在deeplabv3+模块中设置dspp（deformable spatial pyramid pooling，可变形空间金字塔池化）模块以用于对不同分辨率的特征图执行不同扩张率的可变形卷积以及空洞卷积运算得到所述不同尺度的语义信息，以及设置由多个并行的深度可分离卷积构成的mdws（multiscale depth-wise sepseparable，多尺度深度可分离卷积）模块，以用于将dspp模块的输出与所述边缘增强图合并后结果并行采用不同卷积核感受野进行多尺度深度可分离卷积运算。
9、进一步的，所述dspp模块中按照下式执行可变形卷积运算：
10、
11、
12、其中 ，表示输入，h为高度，w为宽度，c为通道数，g 表示空间聚合组的数量；对于第 g 组，表示切片的输入/输出特征图，其中表示组维度；表示第 g 组中第 k 个采样点的空间聚合权重；表示空洞卷积中不同扩张率预定义的网格采样点中第 k 个位置，k表示总位置数；是对应于第 g 组中网格采样位置的偏移量， axis=-1表示多维数组中的最后一个轴，表示卷积核中心点。
13、进一步的，还包括在所述语义分割模型中设置采用注意力机制与残差结构相融合的scaf （spatial-channel attention fusion）模块，以用于对mdws模块的输出分别采用基于mlp多层感知机的通道注意力机制、基于1×1卷积的通道注意力机制，然后将两种注意力机制的结果相乘后与mdws模块的输出相加得到最终融合结果。
14、进一步的，所述步骤s02中，采用相位一致性模型对得到的特征图进行边缘增强得到roi区域的边缘增强图，位置x处相位一致性度量的计算表达式为：
15、
16、式中，表示第 n个 fourier分量的幅度；表示位置 x处的分量的局部相位，是使在 x处取最大值时傅里叶各分量局部相角的加权平均。
17、进一步的，所述步骤s03中，还包括预先对所述语义分割模型进行训练，训练过程中先采用公开数据集权重作为初始权重，并将原始样本数据集进行缩小处理，使用缩小处理后样本数据集基于交叉损失函数对模型进行初步的粗训练，粗训练完成后以粗训练生成的预训练权重作为精训练的初始权重，利用原始样本数据的尺寸分辨率以及dice loss对模型进行精调，得到最终的语义分割模型权重；所述步骤s04中，还包括预先对分类模型进行训练，训练过程中，先采用公开缺陷检测数据集训练的权重为预训练权重，采用正常标签与交叉损失函数对分类模型进行初步训练，得到预训练权重，然后以预训练权重对样本标签进行标签平滑，并采用focal loss 实现模型精调，得到最终的分类模型的权重。
18、进一步的，所述步骤s04中，还包括预先生成崩齿缺陷样本数据集以训练得到崩齿缺陷检测模型，所述生成崩齿缺陷样本数据集的步骤包括：
19、生成不同形态、大小的崩齿缺陷掩码图像；
20、将所述崩齿缺陷掩码图像沿锯齿边缘位置滑动，将滑动到的位置与正常锯齿区域图像对应的局部图像进行矩阵相乘，生成不同位置的缺陷合成图像数据集；
21、构建生成对抗网络，将原始缺陷数据集及所述缺陷合成图像数据集构成训练集训练所述生成对抗网络建立得到数据增强模型，通过所述数据增强模型生成崩齿缺陷增强数据集；
22、将原始缺陷数据集、所述缺陷合成图像数据集以及生成对抗网络生成的崩齿缺陷增强数据集合并作为最终的崩齿缺陷样本数据集。
23、进一步的，所述生成不同形态、大小的崩齿缺陷掩码图像的步骤包括：
24、获取不同形状、大小的崩齿缺陷基元二值图像，生成不同形态、大小的崩齿掩码，得到二值掩码图像；
25、求取所述二值掩码图像的最小外接矩阵；
26、根据所述最小外接矩阵截取掩码区域，并将截取得到的掩码区域取反得到最终的崩齿缺陷掩码图像。
27、一种基于边缘增强的锯齿崩齿缺陷识别装置，步骤包括：
28、roi区域初步定位模块，用于获取待识别锯齿图像，初步定位出锯齿区域的roi区域；
29、特征提取模块，用于采用卷积神经网络对所述roi区域进行特征提取得到不同分辨率的特征图，并对得到的特征图进行边缘增强得到roi区域的边缘增强图；
30、锯齿边缘定位模块，用于将所述特征图、边缘增强图输入至预先构建的语义分割模型中进行语义分割以定位出锯齿边缘位置，所述语义分割模型中通过将至少两个指定位置处所对应的不同分辨率的所述特征图分别使用不同扩张率可变形空洞卷积核进行卷积运算，得到不同尺度的语义信息，分别将所述不同尺度的语义信息与所述边缘增强图进行合并，并将合并后结果分别采用不同卷积核感受野进行多尺度深度可分离卷积运算以融合不同尺度语义信息；
31、缺陷识别模块，用于根据定位出的所述锯齿边缘位置截取出锯齿区域，将截取出的所述锯齿区域输入至分类模型中进行识别得到缺陷类型。
32、一种基于边缘增强的锯齿崩齿缺陷识别装置，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。
33、与现有技术相比，本发明的优点在于：
34、1、本发明通过先初步确定出锯齿区域的roi区域，提取出特征图并进行边缘增强得到边缘增强图后，将roi区域的特征图及边缘增强图输入至语义分割模型中实现对锯齿边缘的提取，进而基于确定出的锯齿边缘位置精准截取出锯齿区域，最终利用截取的锯齿区域图像输入至崩齿缺陷检测模型中进行缺陷识别，能够避免直接定位检测缺陷区域所带来的小目标检测问题及正负样本不平衡问题，提高锯齿崩齿缺陷识别的精度以及可靠性，从而确保锯条的质量与安全性。
35、2、本发明使用语义分割模型提取锯齿边缘时，对不同特征图通过采用不同扩张率的可变形空洞卷积可以提高模型特征提取能力，将边缘增强图像与原始图像的特征图进行融合，还可以增强特征图的边缘表征能力，采用不同卷积核感受野进行多尺度深度可分离卷积运算，不仅可以通过可分离卷积实现运算速度加快，还可以通过不同大小的卷积核感受野融合不同尺度的语义信息，进一步提高模型对图片的特征提取能力，从而获取清晰、特征明显的锯齿区域进行缺陷识别，使得对于不同工艺、不同类型锯齿形状下锯齿发生崩齿缺陷时均能够快速、精准的识别出，降低漏检以及误检现象。
1.一种基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，所述步骤s03中，所述语义分割模型为基于deeplabv3+模块构建形成，并在deeplabv3+模块中设置dspp模块以用于对不同分辨率的特征图执行不同扩张率的可变形卷积以及空洞卷积运算得到所述不同尺度的语义信息，以及设置由多个并行的深度可分离卷积构成的mdws模块，以用于将dspp模块的输出与所述边缘增强图合并后结果并行采用不同卷积核感受野进行多尺度深度可分离卷积运算。
3.根据权利要求2所述的基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，所述dspp模块中按照下式执行可变形卷积运算：
4.根据权利要求2所述的基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，还包括在所述语义分割模型中设置采用注意力机制与残差结构相融合的scaf模块，以用于对mdws模块的输出分别采用基于mlp多层感知机的通道注意力机制、基于1×1卷积的通道注意力机制，然后将两种注意力机制的结果相乘后与mdws模块的输出相加得到最终融合结果。
5.根据权利要求1~4中任意一项所述的基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，所述步骤s02中，采用相位一致性模型对得到的特征图进行边缘增强得到roi区域的边缘增强图，位置x处相位一致性度量的计算表达式为：
6.根据权利要求1~4中任意一项所述的基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，所述步骤s03中，还包括预先对所述语义分割模型进行训练，训练过程中先采用公开数据集权重作为初始权重，并将原始样本数据集进行缩小处理，使用缩小处理后样本数据集基于交叉损失函数对模型进行初步的粗训练，粗训练完成后以粗训练生成的预训练权重作为精训练的初始权重，利用原始样本数据的尺寸分辨率以及dice loss对模型进行精调，得到最终的语义分割模型权重；所述步骤s04中，还包括预先对分类模型进行训练，训练过程中，先采用公开缺陷检测数据集训练的权重为预训练权重，采用正常标签与交叉损失函数对分类模型进行初步训练，得到预训练权重，然后以预训练权重对样本标签进行标签平滑，并采用focal loss 实现模型精调，得到最终的分类模型的权重。
7.根据权利要求1~4中任意一项所述的基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，所述步骤s04中，还包括预先生成崩齿缺陷样本数据集以训练得到崩齿缺陷检测模型，所述生成崩齿缺陷样本数据集的步骤包括：
8.根据权利要求7所述的基于边缘增强的锯齿崩齿缺陷识别方法，其特征在于，所述生成不同形态、大小的崩齿缺陷掩码图像的步骤包括：
9.一种基于边缘增强的锯齿崩齿缺陷识别装置，其特征在于，步骤包括：
10.一种基于边缘增强的锯齿崩齿缺陷识别装置，包括处理器以及存储器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～8中任意一项所述方法。
