基于半监督学习的塑料制品表面缺陷检测方法及系统技术方案

本发明专利技术涉及缺陷检测领域，具体涉及一种基于半监督学习的塑料制品表面缺陷检测方法及系统，该方法包括：构建表面缺陷检测网络；对表面缺陷检测网络进行半监督训练：输入有标签数据，根据第一网络分支、第二网络分支输出的缺陷检测结果和标签数据，结合交叉熵函数，计算有监督损失；输入无标签数据，根据第一网络分支和第二网络分支输出的缺陷检测结果，计算无监督损失；为无监督损失设置权值，基于有监督损失和无监督损失的加权和进行半监督训练；其中，根据历史有监督损失计算当前次训练时的权值，历史有监督损失值越大，权值越小；利用训练好的表面缺陷检测网络进行塑料制品表面缺陷的检测。本发明专利技术在降低训练成本的同时，保证了训练效果。训练效果。

【技术实现步骤摘要】
基于半监督学习的塑料制品表面缺陷检测方法及系统


[0001]本专利技术涉及缺陷检测领域，具体涉及一种基于半监督学习的塑料制品表面缺陷检测方法及系统。

技术介绍

[0002]在塑料制品的生产加工过程中塑料制品的表面经常会出现表面质量问题，表面质量的好坏与塑料制品的性能息息相关，同时塑料制品的表面质量对塑料产品的销售有一定的影响。现有技术中有使用深度学习技术对表面缺陷进行检测，而深度学习需要大量的标签数据，但是对于加工制造业而言，产品的缺陷为不规则的，大量的标签数据会增加大量的成本。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的在于提供一种基于半监督学习的塑料制品表面缺陷检测方法及系统，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于半监督学习的塑料制品表面缺陷检测方法，该方法包括以下具体步骤：构建表面缺陷检测网络，其中，表面缺陷检测网络包括结构不同的第一网络分支和第二网络分支；对表面缺陷检测网络进行半监督训练：输入有标签数据，根据第一网络分支、第二网络分支输出的缺陷检测结果和标签数据，结合交叉熵函数，计算有监督损失；输入无标签数据，根据第一网络分支和第二网络分支输出的缺陷检测结果，计算无监督损失；为无监督损失设置权值，基于有监督损失和无监督损失的加权和进行半监督训练；其中，根据历史有监督损失计算当前次训练时的权值，历史有监督损失值越大，权值越小；利用训练好的表面缺陷检测网络进行塑料制品表面缺陷的检测。
[0004]进一步地，根据当前次之前若干次训练后的历史有监督损失，获取历史有监督平均损失，对历史有监督平均损失进行负相关映射，得到当前次训练时的权值。
[0005]进一步地，所述权值的取值范围为[0，1]。
[0006]进一步地，第一网络分支的输入为塑料制品表面图像，输出为缺陷分割图；将塑料制品表面图像划分为图像块，第二网络分支的输入为图像块，输出为显著性热力图，基于拼接后的整体显著性热力图，得到缺陷分割图；其中，第一网络分支和第二网络分支中编码模块的参数共享。
[0007]进一步地，有监督损失L1的获取具体为：L1=L
11
+L
12
，L
11
为根据第一网络分支输出的缺陷分割图和标签数据计算的交叉熵损失；第二网络分支还输出图像块的块标记，块标记表征图像块内是否存在缺陷，根据网络分支输出的各图像块的块标记与块标记标签的差值计算块标记损失，结合块标记损失和根据第二网络分支输出的缺陷分割图和标签数据计算的交叉熵损失，得到L
12
。
[0008]进一步地，无监督损失L2用于表征第一网络分支和第二网络分支输出的缺陷检测结果是否相同。
[0009]进一步地，无监督损失L2的获取具体为：对于第一网络分支和第二网络分支输出的缺陷分割图，逐像素位置计算像素差值绝对值，像素差值绝对值的和为无监督损失L2。
[0010]第二方面，本专利技术另一个实施例提供了一种基于半监督学习的塑料制品表面缺陷检测系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于半监督学习的塑料制品表面缺陷检测方法的步骤。
[0011]本专利技术实施例至少具有如下有益效果：考虑到工业加工过程中，塑料制品表面缺陷的标签数据需要耗费大量的人力，导致成本提高，本专利技术充分利用现有的标签数据，同时结合容易获得的无标签数据进行表面缺陷检测网络的半监督训练，并利用表面缺陷检测网络得到准确的表面缺陷检测结果。此外，本专利技术中基于历史若干次训练的结果计算无监督损失的权值，无需人为的设置权值，可保障训练过程中有监督损失和无监督损失两部分信号强度的准确调节，适时增强训练过程中无标签数据的辅助作用，保证训练效果。
具体实施方式
[0012]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合较佳实施例，对依据本专利技术提出的一种基于半监督学习的塑料制品表面缺陷检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0013]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0014]针对现有技术存在的问题，本专利技术提出一种塑料制品表面缺陷的检测方法，首先构建表面缺陷网络；其次，采集塑料制品表面缺陷的数据集，数据集包含有标签数据和无标签数据；最后，利用数据集完成表面缺陷检测网络的半监督训练；利用训练完毕的表面缺陷检测网络得到塑料制品表面缺陷的检测结果。下面具体的说明本专利技术所提供的一种基于半监督学习的塑料制品表面缺陷检测方法及系统的具体方案。
[0015]本专利技术一个实施例提供了一种基于半监督学习的塑料制品表面缺陷检测方法，该方法包括以下步骤：构建表面缺陷检测网络，其中，表面缺陷检测网络包括结构不同的第一网络分支和第二网络分支；对表面缺陷检测网络进行半监督训练：输入有标签数据，根据第一网络分支、第二网络分支输出的缺陷检测结果和标签数据，结合交叉熵函数，计算有监督损失；输入无标签数据，根据第一网络分支和第二网络分支输出的缺陷检测结果，计算无监督损失；为无监督损失设置权值，基于有监督损失和无监督损失的加权和进行半监督训练；其中，根据历史有监督损失计算当前次训练时的权值，历史有监督损失值越大，权值越小；利用训练好的表面缺陷检测网络进行塑料制品表面缺陷的检测。
[0016]下面对上述各个步骤进行详细展开：
步骤S1，构建表面缺陷检测网络，其中，表面缺陷检测网络包括结构不同的第一网络分支和第二网络分支。
[0017]为了进行后续网络的半监督训练，本专利技术中表面缺陷检测网络包括结构不同的第一网络分支和第二网络分支，其中，第一网络分支和第二网络分支均可单独对输入的塑料制品表面图像进行处理，输出缺陷检测结果。
[0018]优选地，本专利技术中第一网络分支的输入为塑料制品表面图像，输出为缺陷分割图；将塑料制品表面图像划分为图像块，第二网络分支的输入为图像块，输出为显著性热力图，基于拼接后的整体显著性热力图，得到缺陷分割图；其中，第一网络分支和第二网络分支中编码模块的参数共享。具体地，实施例中第一网络分支为语义分割网络分支，包括第一编码器和第一解码器，第一编码器对塑料制品表面图像进行特征提取得到特征图，第一解码器对特征图进行上采样得到第一缺陷分割图；第二分支包括第二编码器，第二编码器对每个图像块进行特征提取后，利用全局平均池化(GAP)完成分类任务，根据分类结果得到每个图像块的显著性热力图(CAM)，对所有图像块的显著性热力图(CAM)进行拼接，得到整体显著性热力图，对整体显著性热力图进行二值化操作得到第二缺陷分割图。需要说明的是，第一网络分支和第二网络分支中编码模块即第一编码器和第二编码器的参数是共享的，两个网络分支联合训练确保编本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的塑料制品表面缺陷检测方法，其特征在于，该方法包括：构建表面缺陷检测网络，其中，表面缺陷检测网络包括结构不同的第一网络分支和第二网络分支；对表面缺陷检测网络进行半监督训练：输入有标签数据，根据第一网络分支、第二网络分支输出的缺陷检测结果和标签数据，结合交叉熵函数，计算有监督损失；输入无标签数据，根据第一网络分支和第二网络分支输出的缺陷检测结果，计算无监督损失；为无监督损失设置权值，基于有监督损失和无监督损失的加权和进行半监督训练；其中，根据历史有监督损失计算当前次训练时的权值，历史有监督损失值越大，权值越小；利用训练好的表面缺陷检测网络进行塑料制品表面缺陷的检测。2.如权利要求1所述的方法，其特征在于，根据当前次之前若干次训练后的历史有监督损失，获取历史有监督平均损失，对历史有监督平均损失进行负相关映射，得到当前次训练时的权值。3.如权利要求2所述的方法，其特征在于，所述权值的取值范围为[0，1]。4.如权利要求3所述的方法，其特征在于，第一网络分支的输入为塑料制品表面图像，输出为缺陷分割图；将塑料制品表面图像划分为图像块，第二网络分支的输入为图像块，输出为显著性热力图，基于拼接后的整体显著性热力图，得到缺陷分割图；其中，第一网络分...

【专利技术属性】
技术研发人员：吴国平，
申请(专利权)人：武汉鑫国茂包装有限公司，
类型：发明
国别省市：