一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质制造方法及图纸

本发明专利技术属于图像缺陷检测技术领域，提供了一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质，包括步骤：构建基于多尺度特征蒸馏的缺陷检测模型，所述检测模型包括老师网络和学生网络；对所述缺陷检测模型进行训练，利用所述学生网络通过特征蒸馏机制学习老师网络的知识，得到训练后的缺陷检测模型；通过训练后的缺陷检测模型对检测样本进行缺陷检测，判定检测样本中的缺陷品以及缺陷区域。本发明专利技术的优点在于通过输出多个尺度下的特征图，算法可以检测不同尺度的缺陷，并且由于本方法主要在于运行两次前向传播，该方法可以达到实时检测的要求，更加适合于工业缺陷检测等场景中的应用。用。用。

【技术实现步骤摘要】
一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质


[0001]本专利技术涉及图像缺陷检测
，尤其涉及一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质。

技术介绍

[0002]工业产品缺陷检测领域中主要有两大方向，一是基于目标检测，二是基于异常检测，基于目标检测的缺陷检测方法已经存在较多的研究，但是从异常检测的角度来解决缺陷检测还存在很多的挑战。缺陷检测中存在着很多的难点和挑战：不确定性，缺陷和很多的不确定性相关联，例如不确定的视觉特征，有一些缺陷在没有实际出现之前都是不确定的；稀缺性，缺陷样本通常是相当稀缺的，想要收集一个带有大量标注的缺陷数据集是相当困难也是几乎不太可能的；异构性，缺陷是不规则的，因此一类缺陷可能和另一类缺陷表现出完全不同的视觉特征，甚至同一类缺陷也会存在特征上的变化。上述的缺陷特性使得基于目标检测的方法有时不能很好发挥作用，但基于异常检测的方法可以一定程度上解决上述的难点和挑战。
[0003]当前，异常检测主要是基于正常特征建模。该类方法通常只需要正常样本用于网络的训练，且更关注于正常样本特征，在检测过程中通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征蒸馏的缺陷检测方法，其特征在于，包括步骤：构建基于多尺度特征蒸馏的缺陷检测模型，所述检测模型包括老师网络和学生网络；对所述缺陷检测模型进行训练，利用所述学生网络通过特征蒸馏机制学习老师网络的知识，得到训练后的缺陷检测模型；通过训练后的缺陷检测模型对检测样本进行缺陷检测，判定检测样本中的缺陷品以及缺陷区域。2.根据权利要求1所述的一种基于多尺度特征蒸馏的缺陷检测方法，其特征在于，老师网络是经图像数据集上预训练的深度卷积神经网络，学生网络为随机初始化的深度卷积神经网络，学生网络与老师网络具有相同的网络结构。3.根据权利要求1所述的一种基于多尺度特征蒸馏的缺陷检测方法，其特征在于，对所述缺陷检测模型进行训练的步骤包括：将经预处理的正常样本图像集分别输入老师网络和学生网络，得到两个网络分别输出的多尺度特征图；在相同尺度的特征图对中，将老师网络生成的特征图上每个位置处的特征向量作为参考特征，学生网络生成的特征图上每个位置处的特征向量作为学习特征，利用特征蒸馏机制优化参考特征和学习特征间的距离，使得学生网络和老师网络对正常样本图像的特征表征相同。4.根据权利要求3所述的一种基于多尺度特征蒸馏的缺陷检测方法，其特征在于，所述参考特征和学习特征间的距离是使用欧式距离和余弦距离结合的组合距离进行度量的。5.根据权利要求4所述的一种基于多尺度特征蒸馏的缺陷检测方法，其特征在于，利用特征蒸馏机制优化参考特征和学习特征间的距离的步骤包括：对每个位置的参考特征和学习特征进行范式的归一化操作；度量归一化的参考特征和归一化的学习特征之间的欧式距离作为每个位置处的损失函数值，并结合余弦距离构建基于组合距离的损失函数值；对所有位置处的损失函数值平均后得...

【专利技术属性】
技术研发人员：张重阳，姚欣成，张保柱，刘振宇，
申请(专利权)人：宁波海棠信息技术有限公司，
类型：发明
国别省市：