本發(fā)明涉及壁畫缺陷檢測，尤其涉及一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法。

背景技術：

1、在文化遺產保護領域，壁畫作為古代藝術的珍貴遺產之一，承載著歷史、文化和藝術的重要信息。然而，由于時間的流逝和外部環(huán)境的影響，壁畫往往會出現(xiàn)各種缺陷，如裂縫、褪色、涂料剝落等，嚴重影響其保存狀況和觀賞價值。因此，對壁畫缺陷進行及時檢測和修復具有重要意義。

2、壁畫缺陷檢測是一項重要的文物保護工作，它旨在及時發(fā)現(xiàn)壁畫表面的缺陷，從而采取措施進行修復，保護文化遺產的完整性。過去的文物保護工作主要依賴于人工巡檢和傳統(tǒng)的修復方法，存在效率低、主觀性強和不可持續(xù)等問題。隨著數(shù)字技術的不斷發(fā)展，尤其是圖像處理、紅外攝影、激光掃描、計算機視覺和深度學習等技術的應用，壁畫缺陷檢測進入了一個新的發(fā)展階段。這些新技術為壁畫缺陷的快速、準確檢測提供了全新的可能性，為文物保護工作者提供了更強大的工具和方法。

3、目前，行業(yè)內通常采用基于計算機視覺的算法和基于深度學習的算法進行壁畫缺陷檢測。但基于計算機視覺的算法很難做到對缺陷特征完整的建模和遷移，復用性不大，且要求區(qū)分工況，這會浪費大量的人力成本。基于深度學習的算法雖然在特征提取和定位上的效果較好，但由于壁畫缺陷的形成原因復雜多樣，導致缺陷大小和形式也復雜多樣，需要綜合考慮多種因素進行分析和判斷，而現(xiàn)有基于深度學習的算法在多尺度特征提取的性能上表現(xiàn)較差，無法準確提取壁畫所有尺度上的缺陷，難以滿足高精度、大規(guī)模壁畫圖像缺陷檢測的需求。

技術實現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有基于深度學習的算法在多尺度特征提取的性能上表現(xiàn)較差，無法準確提取壁畫所有尺度上的缺陷，難以滿足高精度、大規(guī)模壁畫圖像缺陷檢測需求的技術問題，而提供一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法。

2、為了實現(xiàn)上述目的，本發(fā)明提供的技術解決方案如下：

3、一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特殊之處在于，包括以下步驟：

4、步驟1，構建基于分割通道注意力的神經網(wǎng)絡模型；

5、所述神經網(wǎng)絡模型包括按輸入輸出順序依次設置的第一分割通道注意力模塊、標準化層、第二分割通道注意力模塊以及線性分類層；

6、所述第一分割通道注意力模塊，用于接收輸入的待測高光譜壁畫圖像，并根據(jù)波段將待測高光譜壁畫圖像分割為多組包含不同波段信息的圖像，同時對每組圖像進行不同卷積核大小的卷積，以提取待測高光譜壁畫圖像的不同尺度特征，用于提升神經網(wǎng)絡模型在不同尺度特征上的綜合性能；所述標準化層用于消除奇異樣本數(shù)據(jù)導致的不良影響，并在訓練中加速收斂、緩解梯度彌散問題；所述第二分割通道注意力模塊用于進一步提取不同尺度特征；所述線性分類層用于輸出待測高光譜壁畫圖像中每個像素點的異常概率；

7、步驟2，模型訓練；

8、將待測高光譜壁畫圖像切割出一部分作為訓練樣本，輸入步驟1構建的神經網(wǎng)絡模型中進行模型訓練，獲得訓練好的神經網(wǎng)絡模型；

9、步驟3，圖像切割；

10、將待測高光譜壁畫圖像進行切割，獲得多個大小相同的子圖像，同時記錄并儲存每個子圖像的位置信息；

11、步驟4，異常檢測；

12、將切割完成的多個子圖像按順序輸入步驟2訓練好的神經網(wǎng)絡模型中，神經網(wǎng)絡模型向各子圖像上的每個像素點分別分配一個異常概率；根據(jù)各子圖像上每個像素點的異常概率確定并標記各像素點是否異常，獲得帶有標記結果的多個子圖像；

13、步驟5，缺陷檢測結果輸出；

14、將帶有標記結果的多個子圖像根據(jù)對應的位置信息進行拼接，得到待測高光譜壁畫圖像的缺陷檢測結果。

15、進一步地，步驟1中，所述第一分割通道注意力模塊包括分割模塊、卷積核大小不同的n個卷積層、n個空間壓縮模塊以及賦權模塊，n的取值等于高光譜壁畫圖像包含的波段個數(shù)；

16、所述分割模塊的輸入端用于接收輸入的待測高光譜壁畫圖像，其內部設置有n個通道，用于根據(jù)波段通過n個通道將待測高光譜壁畫圖像分割為n組圖像；

17、n個所述卷積層的輸入端分別連接分割模塊n個通道的輸出端，用于分別對n組圖像進行不同卷積核大小的卷積，獲得n組不同的注意力向量；

18、n個所述空間壓縮模塊的輸入端分別連接n個卷積層的輸出端，用于分別求取n組注意力向量在空間域中的平均值，為每組注意力向量計算出對應的自適應權重，獲得待測高光譜壁畫圖像n個不同尺度的特征；

19、所述賦權模塊的輸入端連接n個空間壓縮模塊的輸出端以及n個卷積層的輸出端，用于根據(jù)各組注意力向量獲得的自適應權重分別向n個通道賦權，實現(xiàn)不同尺度特征的注意力分配，其輸出端連接所述標準化層的輸入端；

20、所述第二分割通道注意力模塊與第一分割通道注意力模塊結構相同，其分割模塊的輸入端連接所述標準化層的輸出端，其賦權模塊的輸出端連接所述線性分類層的輸入端。

21、進一步地，步驟1中，所述第一分割通道注意力模塊、標準化層、第二分割通道注意力模塊以及線性分類層的激活函數(shù)均使用leaky_relu函數(shù)。

22、進一步地，步驟2中，模型訓練時的訓練損失函數(shù) l為：

23、

24、上式中，n表示訓練樣本中像素點總數(shù)量，表示第個像素點的標簽值，表示檢測出第個像素點為異常的概率。

25、進一步地，步驟2中，模型訓練時的優(yōu)化器使用adam函數(shù)。

26、進一步地，步驟4中，根據(jù)各子圖像上每個像素點的異常概率確定各像素點是否異常具體為：

27、分別比較各子圖像上每個像素點異常概率與設定閾值的大??；若，則表示該像素點異常，否則表示該像素點正常。

28、進一步地，步驟4中，所述設定閾值=0.8。

29、本發(fā)明相比于現(xiàn)有技術的有益效果如下：

30、本發(fā)明提供的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，將分割通道注意力機制融入到神經網(wǎng)絡模型中，構建基于分割通道注意力的神經網(wǎng)絡模型，根據(jù)波段將待測高光譜壁畫圖像分割為多組包含不同波段信息的圖像，同時對每組圖像進行不同卷積核大小的卷積，可以準確提取壁畫所有尺度上的缺陷，有效提高了檢測精度和效率，具有很好的實用性，同時推動了數(shù)字技術在文物保護領域的廣泛應用，不僅有助于加強對壁畫等文化遺產的保護工作，也為傳統(tǒng)文化的傳承與發(fā)展提供了新思路和新方法。

技術特征：

1.一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特征在于：

3.根據(jù)權利要求2所述的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特征在于：

4.根據(jù)權利要求1-3任一所述的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特征在于：

5.根據(jù)權利要求4所述的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特征在于：

6.根據(jù)權利要求5所述的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特征在于：

7.根據(jù)權利要求6所述的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，其特征在于：

技術總結
本發(fā)明提供了一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，用于解決現(xiàn)有基于深度學習的算法在多尺度特征提取的性能上表現(xiàn)較差，無法準確提取壁畫所有尺度上的缺陷，難以滿足高精度、大規(guī)模壁畫圖像缺陷檢測需求的技術問題。本發(fā)明提供的一種基于分割通道注意力的高光譜壁畫圖像缺陷檢測方法，將分割通道注意力機制融入到神經網(wǎng)絡模型中，構建基于分割通道注意力的神經網(wǎng)絡模型，根據(jù)波段將待測高光譜壁畫圖像分割為多組包含不同波段信息的圖像，同時對每組圖像進行不同卷積核大小的卷積，可以準確提取壁畫所有尺度上的缺陷，有效提高了檢測精度和效率，具有很好的實用性。

技術研發(fā)人員：邱實,史晨亮,張朋昌,郭柏霖,李思遠,胡炳樑
受保護的技術使用者：中國科學院西安光學精密機械研究所
技術研發(fā)日：
技術公布日：2024/12/30