本發明涉及弱監督語義分割領域，尤其涉及cam生成，具體是一種面向下水管道缺陷檢測的cam生成方法。
背景技術：
1、隨著基于計算機視覺與深度學習的缺陷檢測技術在下水管道缺陷檢測領域的廣泛應用，語義分割方法憑借像素級解析能力展現出顯著優勢。其不僅能同步實現多類別缺陷的識別與定位，還能提取缺陷區域的幾何特征參數，為后續評估提供數據支撐。相比標注過程耗時且成本高昂的傳統全監督語義分割方法，現有弱監督檢測方法雖然顯著降低標注成本，但在實際應用中受限于分割精度不足與計算效率難以協同優化的技術瓶頸。在弱監督語義分割的初始階段即cam生成階段中，傳統cam生成算法因卷積神經網絡的局部感受野特性與高層特征抽象機制，導致類感知注意力過度聚焦于目標最具判別性的局部區域，難以有效捕獲缺陷的全局語義信息。在下水管道場景中，傳統cam生成算法的局限性被進一步放大。由于下水管道場景中復雜光照條件、前景-背景高度相似性、缺陷尺度差異顯著以及缺陷輪廓模糊等特性，導致傳統cam生成算法在缺陷區域覆蓋完整性和邊界定位準確性上難以滿足工程需求。因此，如何針對下水管道這類復雜場景設計一種兼具高精度分割能力、精準邊界定位和高效計算性能的cam生成算法，已成為提升弱監督語義分割缺陷檢測方法實用價值的關鍵瓶頸。
2、針對傳統cam生成算法存在的全局語義信息缺失與分割精度不足等問題，現有解決方案從不同技術路徑展開探索以提高cam質量。jiang等人提出在線注意積累策略，通過集成不同訓練階段的類感知注意力圖擴展目標覆蓋范圍，但該方法對管道環境中多尺度缺陷的適應性有限，未能有效解決尺度變化導致的區域遺漏問題和小尺度缺陷分割精度不足問題。sun等人提出引入跨領域數據(out-of-distribution?data，odd)構建跨語言圖像匹配框架，結合通道-空間雙維度注意力機制緩解目標過度聚焦問題，然而其跨領域數據訓練范式因下水管道場景中目標缺陷與背景的高度相似性，難以建模下水管道場景特有的背景噪聲特征，并且且對小尺度缺陷的響應靈敏度依然不足。li等人提出了漸進式補丁學習方法，通過分階段強化分類網絡對局部紋理的感知能力，有效提升了cam的目標覆蓋完整性。kweon等人利用sam模型的結構先驗知識約束cam生成過程，有效提高了cam質量。然而，這兩種方法雖然能提升局部細節的捕捉能力，但面對下水管道檢測中低對比度缺陷與背景的邊界模糊特性時，仍存在語義混淆與邊界區域誤分割問題，暴露出現有cam生成算法對復雜工業場景的泛化能力瓶頸。
技術實現思路
1、本發明的目的在于提出一種基于類感知注意力融合與對抗學習的cam生成算法解決下水管道缺陷檢測的語義分割精度與邊界定位精度不足的問題。
2、本發明的目的是這樣達到的：
3、針對現有cam生成算法的缺陷前景-背景解耦能力和小尺度缺陷分割能力不足的問題，本發明首先提出類感知注意力融合cam生成算法caf-cam，通過缺陷前景-背景和多尺度類感知注意力的提取和融合，在突出顯著區域特征的同時避免過度抑制非顯著語義區域，并增強模型對局部細節的感知能力，利用兩部分類感知注意力模塊的協同優化實現類感知注意力融合與語義信息互補，增強cam全局表征能力，從而有效提升cam語義分割精度。隨后，針對現有cam生成算法缺陷邊界分割能力不足的問題，本發明設計了一種基于對抗學習的cam協同優化機制alco-cam，通過分類器與重構器之間的動態對抗博弈和正反饋機制，增強分類網絡的邊界分割能力，從而進一步提高cam的邊界定位精度。最后本發明針對caf-cam和alco-cam的特點，分別設計了高效且針對性強的損失函數，并通過聯合損失函數平衡caf-cam的語義完整性與alco-cam的邊界精確性，為模型提供引導的同時實現整體性能的協同優化。
4、具體方式如下：
5、一種面向下水管道缺陷檢測的cam生成方法cafal-cam，包括如下步驟：
6、步驟1、數據預處理，對原始下水管道圖像進行光照增強與尺度變換預處理，通過調整對比度與亮度生成增強圖像和減弱圖像，提升缺陷區域辨識度；生成小尺度、原始尺度、大尺度圖像以適配多尺度缺陷特征。
7、步驟2、特征增強，類感知注意力融合cam生成算法caf-cam采用雙通道并行架構實現類感知注意力融合和語義信息互補：基于圖像增強的類感知注意力融合模塊通過圖像增強策略引導模型聚焦缺陷完整區域，實現缺陷前景與背景的類感知注意力解耦與再融合，在突出顯著區域特征的同時避免過度抑制非顯著語義區域，從而獲取準確而充分的語義信息；自監督多尺度類感知注意力融合模塊采用多尺度自監督訓練機制，通過跨尺度類感知注意力融合以增強模型對局部細節的感知能力，提升小尺度缺陷分割精度。兩個模塊并行運行，并通過類感知注意力協同優化策略進行特征交互，實現類感知注意力融合和語義信息互補。
8、步驟3、對抗訓練機制，基于對抗學習的cam協同優化機制alco-cam構建了分類器與重構器的對抗博弈框架。在該機制中，將caf-cam中的分類網絡作為分類器，并通過引入重構器構建對抗博弈環路：重構器通過最小化重建圖像片段與原始圖像片段之間的差異損失，持續提升跨片段特征重建能力以優化自身性能；分類器則通過最大化重建圖像片段與原始圖像片段之間的差異損失，借助對抗梯度反向傳播機制，迫使自身生成具有清晰邊界響應的cam。在此過程中，分類器與重構器采用交替迭代的優化策略更新參數：重構器在每輪訓練中優先更新參數，通過最小化特征重建誤差持續學習跨片段特征重建能力，并迭代增強對缺陷邊界的空間感知精度；隨后分類器基于對抗性目標函數調整網絡參數，逐步提升邊界定位精度。
9、步驟4、通過聯合損失函數量化場景差異影響，基于參數敏感性實驗確定參數的最優值，平衡光照、尺度差異對模型的影響，自適應調節模型對不同管道環境(如材質、缺陷類型)的響應強度。
10、步驟5、新場景自適應微調，在sewer-ml數據集上訓練cafal-cam，獲得基礎模型參數，使用新場景少量數據更新對抗學習機制中的分類器參數，提升模型對于新場景的適應能力，通過聯合損失動態平衡語義完整性與邊界精確性，以提升模型在不同管道環境中的泛化能力。
11、本發明的積極效果是：
12、本發明針對現有cam生成算法在下水管道場景中管道缺陷語義分割精度與邊界定位精度不足的問題，提出了一種基于類感知注意力融合與對抗學習的cam生成算法cafal-cam。首先針對現有cam生成算法的缺陷前景-背景解耦能力和小尺度缺陷分割能力不足的問題，提出類感知注意力融合cam生成算法caf-cam。該算法通過缺陷前景-背景和多尺度類感知注意力的提取和融合，提高缺陷前景-背景解耦能力和小尺度缺陷分割能力，然后通過兩個模塊的協同優化實現類感知注意力融合與語義信息互補，增強cam全局表征能力，從而有效提升cam語義分割精度。隨后，針對現有cam生成算法缺陷邊界分割能力不足的問題，提出了基于對抗學習的cam協同優化機制alco-cam。該機制通過分類器與重構器之間的動態對抗博弈和正反饋機制，增強分類網絡的邊界分割能力，從而進一步提高cam的邊界定位精度。最后，本發明針對caf-cam和alco-cam分別設計了高效且針對性強的損失函數，并通過聯合損失函數平衡caf-cam的語義完整性與alco-cam的邊界精確性，為模型提供引導的同時實現整體性能的協同優化。實驗驗證表明，cafal-cam算法在下水管道缺陷數據集sewer-ml上的miou指標達到72.8％，相較于現有代表性算法實現了最佳性能。具體而言，cafal-cam不僅以2.2％的miou精度優勢超越最優現有代表性算法，同時訓練耗時減少30％，在精度與訓練效率之間實現更優平衡。