【技术实现步骤摘要】
基于弱监督模式的缺陷粗定位方法和装置
本专利技术涉及图像处理
，具体涉及一种基于弱监督模式的缺陷粗定位方法、一种基于弱监督模式的缺陷粗定位装置、一种计算机设备和一种计算机程序产品。
技术介绍
基于深度学习的目标检测技术是近年来计算机视觉领域中最火热的方向之一，由于其强大的学习能力，该技术在工业产品的缺陷检测领域也得到了广泛的应用。工业产品的缺陷往往十分复杂，种类、形态五花八门，传统的图像处理技术很难有效识别这些缺陷。目标检测技术通过学习人工标注好的缺陷类别和位置信息，可以较好的识别未标注图片中的缺陷，给出缺陷的类别，并用矩形框标记出缺陷的位置。在目标检测领域，强监督学习表示在训练过程中，同时需要标注的目标类别信息和位置信息，而在预测时能够给出目标的类别和精确位置的学习方式。现在的工业缺陷的检测方式大都依赖于基于强监督学习的目标检测算法，常见的有Yolov3，FasterR-CNN等。算法首先需要由相同场景下的、人工标注的、带缺陷的图片进行训练，训练完成后可用于预测该场景下的未被标注的图片。图片的标注需要两种信息...
【技术保护点】
1.一种基于弱监督模式的缺陷粗定位方法，其特征在于，包括以下步骤：/n对获取的图像按照无缺陷图像和有缺陷图像进行分类，并按照类别对图像进行弱标注；/n对输入图像进行数据增强处理和归一化处理；/n将处理后的图像输入到全卷积网络中进行训练，在训练过程中，利用弱标注信息使ResNet-101网络形成注意力机制，进行弱监督训练，以对所述处理后的图像进行预测；/n当预测结果为有缺陷图像时，利用训练完全的网络中的缺陷特征和输出层的权重，计算语义特征图，并根据所述语义特征图得出粗定位所需的热力图；/n根据所述热力图和所述输入图像得到缺陷的粗略位置。/n
【技术特征摘要】
1.一种基于弱监督模式的缺陷粗定位方法，其特征在于，包括以下步骤：
对获取的图像按照无缺陷图像和有缺陷图像进行分类，并按照类别对图像进行弱标注；
对输入图像进行数据增强处理和归一化处理；
将处理后的图像输入到全卷积网络中进行训练，在训练过程中，利用弱标注信息使ResNet-101网络形成注意力机制，进行弱监督训练，以对所述处理后的图像进行预测；
当预测结果为有缺陷图像时，利用训练完全的网络中的缺陷特征和输出层的权重，计算语义特征图，并根据所述语义特征图得出粗定位所需的热力图；
根据所述热力图和所述输入图像得到缺陷的粗略位置。
2.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，所述弱标注指不需要具体标注图像中缺陷的具体位置，按照类别对图像进行弱标注，包括：
将所述无缺陷图像的类别标注为0，所述有缺陷图像的类别标注为1。
3.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，对输入的图像进行数据增强处理和归一化处理，包括：
将所述输入的图像依次经过随机水平翻转、随机垂直翻转、随机裁切、随机对比度变化、随机亮度变化方式以进行数据增强处理；
将所述数据增强处理后的图像缩放至448*448的大小，完成输入图像的归一化处理。
4.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，将处理后的图像输入到全卷积网络中进行训练，在训练过程中，利用弱标注信息使ResNet-101网络形成注意力机机制，进行弱监督训练，包括：
利用标注的类型标签，对所述ResNet-101网络的前三个网络结构进行训练，识别所述输入图像的类型，从而形成注意力机制，并对所述ResNet-101网络的前两个网络结构进行训练，识别处理后的图像是否存在缺陷；
直至网络收敛，输出训练完全的网络，训练过程完成。
5.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，所述语义特征图为形状为(2，14，14)的矩阵数据，根据所述语义特征图得...
【专利技术属性】
技术研发人员：陈海波，许伟康，
申请(专利权)人：深兰人工智能芯片研究院江苏有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。