【技术实现步骤摘要】
基于跨图像局部特征对齐的缺陷检测、定位的方法及系统
[0001]本专利技术涉及物体表面缺陷异常检测及定位的
，更具体地，涉及一种基于跨图像局部特征对齐的缺陷检测、定位的方法及系统。
技术介绍
[0002]随着计算机视觉研究的发展，物体表面缺陷检测和定位技术被广泛应用在工业视觉检测和医学图像病变筛查等领域中，异常检测和定位的目的是筛选出异常样本图片并定位出样本中的异常区域。
[0003]目前，异常检测和定位的方法可以分为基于重构和基于表征相似度两种方法。其中，基于重构的方法主要是通过训练自编码器、变分自编码器或对抗生成网络重构正常样本，在测试时，异常样本因无法被很好重构而被识别出来。在判别图像是否为异常样本时，使用整张图像的重构误差，在定位异常区域时，使用像素级的重构误差，基于重构的方法非常直观且具有可解释性，但性能往往受到生成模型的限制，因为一些时候异常样本也能被很好重建，尤其是当异常样本和正常样本高度相似时，会产生重构误差失灵现象。基于表征相似度的方法是使用深度神经网络提取整张图像的表征用于异常检测，提取图像...
【技术保护点】
【技术特征摘要】
1.一种基于跨图像局部特征对齐的缺陷检测、定位的方法，其特征在于，包括以下步骤：S1.构建蒸馏学习模型，所述的蒸馏学习模型包括教师模型T及学生模型S；S2.确定蒸馏学习模型的损失函数；S3.构建数据集，将数据集划分为训练集和测试集，训练集仅包含正常图像样本，测试集包括正常图像样本和异常图像样本；S4.构建同一训练批次若干张正常图像样本中跨图像的局部特征对齐损失函数；S5.将S2中的局部特征对齐损失函数与S4中蒸馏学习模型的损失函数整合，形成基于跨图像局部特征对齐的蒸馏学习模型的总损失函数；S6.将训练集中的正常图像样本同时输入教师模型T和学生模型S，固定教师模型T的参数不变，以总损失函数作为训练指导，利用教师模型T指导学生模型S进行训练，从而训练蒸馏学习模型，得到训练好的蒸馏学习模型；S7.以测试集的图像样本作为训练好的蒸馏学习模型的输入样本，从总损失函数关于输入样本的梯度出发，利用训练好的蒸馏学习模型对测试集中的图像样本进行缺陷检测及定位。2.根据权利要求1所述的基于跨图像局部特征对齐的缺陷检测、定位的方法，其特征在于，步骤S1构建的蒸馏学习模型中教师模型T采用加载了在ImageNet上预训练权重的VGG16网络结构，学生模型S采用与教师模型T相同的VGG16网络结构，并随机初始化权重。3.根据权利要求2所述的基于跨图像局部特征对齐的缺陷检测、定位方法，其特征在于，VGG16网络结构中包括若干个模块，在步骤S2中，教师模型T和学生模型S均取各自网络结构中后四个模块的最后一层作为各自的关键层，蒸馏学习模型的损失函数为：L1＝L
val
+λL
dir
其中，其中，其中，L1表示蒸馏学习模型的损失函数；CP
i
表示VGG16网络结构的第i层关键层的输出；CP0表示原始输入VGG16网络结构的正常图像特征；表示教师模型T第i层关键层的激活值，激活值即网络结构关键层输出的正常图像特征；表示学生模型S第i层关键层的激活值；N
i
表示CP
i
中神经元的数量；表示教师模型T中第i层关键层中第j个神经元的激活值；表示学生模型S中第i层关键层中第j个神经元的激活值；N
cp
表示关键层的总数量；L
val
表示教师模型T和学生模型S每个关键层中对应激活值的欧式距离之和；vec()表示将具有任意维度的矩阵转换为一维向量的向量化函数；L
dir
表示教师模型T和学生模型S每个对应关键层转换而来的向量的余弦相似度；λ表示人为设置的超参数。4.根据权利要求3所述的基于跨图像局部特征对齐的缺陷检测、定位方法，其特征在
于，设对步骤S4中的同一训练批次K张正常图像样本进行跨图像的局部特征对齐损失函数构建，在蒸馏学习模型训练过程中，依次逐像素计算第一张、第二张、
…
、第K张正常图像样本与其它K
‑
1张正常图像样本在教师模型T与学生模型S对应VGG16网络结构的关键层输出的激活值图的对齐损失，然后取1/2消除重复计算的内容，得到同一训练批次K张正常图像样本中跨图像的局部特征对齐损失函数，表达式为：其中，L2表示同一训练批次K张正常图像样本中跨图像的局部特征对齐损失函数；因为使用VGG16网络结构的关键层输出的激活值图进行跨图像逐像素计算对齐损失，激活值图是对原始输入的正常图像样本利用卷积核进行了卷积计算，激活值图中的一个像素位置就相当于原始输入的正常图像样本中的至少3*3像素的局部特征。5.根据权利要求4所述的基于跨图像局部特征对齐的缺陷检测、定位方法，其特征在于，步骤S5所述的形成的基于跨图像局部特征对齐的蒸馏学习模型的总损失函数的表达...
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。