(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 202210190734.5 (22)申请日 2022.02.28 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 蒲志奇　相紫涵　谷潇　韩文芳　 渐令　 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) (54)发明名称 一种基于轴 向自注意力的高维图像目标缺 陷检测模型 (57)摘要 本发明涉及一种基于小样本高维图像的目 标缺陷检测模型。 通过引入轴向自注意力机制， 针对传统的深度卷积神经网络无在图像特征提 取时存在着占用内存大， 处理时间慢， 无法有效 的解决专业领域下高维高清 图像的目标检测问 题， 设计基于小样本高维图像的目标缺陷检测模 型。 该模型能够针对高维图片进行有效的全局表 征提取， 显著降低计算复杂度， 提高针对小样本 高维图像目标检测的性能， 满足实际应用问题的 需求。 本发 明基于小样本高维图像的目标缺陷检 测模型， 克服了传统深度卷积提取高维图片深度 全局表征时间慢， 效果差的问题， 可高效应用于 小样本情境下高维图片的缺陷目标检测等实际 应用问题。 权利要求书2页 说明书3页 附图1页 CN 114549500 A 2022.05.27 CN 114549500 A 1.一种基于小样本高维图像的目标缺陷检测模型， 其特 征在于含有以下步骤： (一)搭建图片表征 学习网络； (二)构建目标区域检测网络； (三)搭建多分类目标缺陷检测网络； (四)数据增强扩充 小样本数据集； (五)迁移学习与交叉训练网络 。 2.根据权利要求1所述的一种基于小样本 高维图像的目标缺陷检测模型， 其特征在于， 在步骤(一)中， 具体方法为： 构建基于轴向多头自注 意力层， 先于宽度上再在高度上进 行特 定方向的自注意力计算， 通过构建内部解码器(Inner  Decoder)预测mask块， 从而促使编码 器学习到图片的全局表征， 对key,value,query进行编码， 预测目标 可表示为： 3.根据权利要求1所述的一种基于小样本 高维图像的目标缺陷检测模型， 其特征在于： 步骤(二)中， 构建目标区域检测网络的具体步骤为： 针对(一)中获取的全局特征图， 对每个 d维的点选取k种尺度的anchors， 对每个anchors构建正负样本二分类的编码， 将维度从d转 到2*k； 同时对每个 anchors定义(Ax,Ay,Aw,Ah)四个偏移量， 其中(Ax,Ay)是anchor对应特征 图中左上点的坐 标， (Aw,Ah)是anchor对应特征图中右下角的坐 标， 已知groundtr uth坐标为 (Gx,Gy,Gw,Gh)， 从anchors集合中随机选取128个positive  anchors和128个negative   anchors做正负 样本二回归， 选取128个positive  anchors缺陷检测框回归。 4.根据权利要求1所述的一种基于小样本 高维图像的目标缺陷检测模型， 其特征在于， 在步骤(三)中， 搭建多分类目标缺陷检测网络的具体方法为： 使用与步骤(一)中相同骨干网络的轴向多头自注意层做针对缺陷的多分类和对缺陷 检测框的进一 步回归。 5.根据权利要求1所述的一种基于小样本 高维图像的目标缺陷检测模型， 其特征在于， 在步骤(四)中， 数据增强扩充 小样本数据集的具体方法为： 在已获得标签的样本集上， 将每一张图片经随机裁剪， 旋转， 上色操作得到的增强图片 作为正样本对， 将来自同一类不同源图片的增强图片作为难 ‑负样本对， 将来自于不同类图 片的增强图片作为负 样本对。 6.根据权利要求1所述的一种基于小样本 高维图像的目标缺陷检测模型， 其特征在于， 在步骤(五)中， 迁移学习与交叉训练网络的具体方法为： 使用基于参数迁移的学习方法， 先在ImageNet数据集上使用交叉训练的方法训练图片 特征提取网络 ①， PRN网络 ②， 缺陷多分类与检测 框回归网络 ③。 首先固定 ①和③， 训练②； 然后将②与①③相连层的参数固定， 训练 ①和③； 迭代两次； 最后打开 ①②③相连层的参 数， 划分出目标 数据集的训练集与测试集， 在训练集上训练整体的网络进行参数的微调。 本发明涉及一种基于自适应ramp损失的耐噪在线多分类核学习算法。 通过引入ramp损 失函数、 ramp自适应参数设置策 略、 核函数， 建立在线核学习多分类器， 实现了对数据流的 在线预测。 该方法采用自适应ramp损失函数使 得分类器处理更少的支持向量， 具有稀疏性； 使得噪声对分类器的影响得到控制， 具有鲁棒性(耐噪性)。 与经典在线学习算法 Perceptron和Pegesos相比， 所提出的算法显著提升了分类精度。 本发 明耐噪在 线多分类核权　利　要　求　书 1/2 页 2 CN 114549500 A 2学习算法， 能够灵活处理数据流场景下的多分类问题， 大幅减少了参与计算的支持向量， 降 低了计算复杂度， 提高了噪声数据多分类问题的分类精度， 满足 实际应用问题的需求。权　利　要　求　书 2/2 页 3 CN 114549500 A 3