【技术实现步骤摘要】
基于特征对比的半监督工业缺陷检测方法及系统
[0001]本专利技术涉及计算机视觉、深度学习
，具体地，涉及一种基于特征对比的半监督工业缺陷检测方法及系统。
技术介绍
[0002]工业生产中，几乎所有产品都需要进行质检，大部分的质检过程是由质检员用肉眼视觉完成对产品缺陷的检测(以下称为视检)。由于产品的多样性、缺陷的多样性，大大增加了质检员的工作量和工作难度，导致人工视检效率下降且容易由于质检员的疲劳和失误导致漏检、错检等情况，提高生产线的时间成本并可能影响到上市产品的质量。所以，采用自动化检测技术具有很重要的价值。
[0003]早期的自动化检测方法倾向于根据缺陷的类型提取特定的手工图像特征，采用数字图像处理方法如阈值分割、椭圆Gabor滤波器、RGB直方图等选择特定的图像特征。数字图像处理方法的识别率对于各种因素，如光照、对比度等影响因素十分敏感，且其过于依赖提取的特定图像特征，无法应对复杂背景，多种缺陷的识别任务，不具备通用性。
[0004]近年来，借助机器学习领域深度学习研究的发展，将深度学习方法引...
【技术保护点】
【技术特征摘要】
1.一种基于特征对比的半监督工业缺陷检测方法，其特征在于，包括：步骤S1：采集待测产品图片，随机对图片标注标签；步骤S2：对待测产品进行分类，分为有标签输入和无标签输入；步骤S3：对于有标签输入，用图片和对应的标签对于学生网络进行训练；对于无标签输入，输入到教师网络中产生相应的伪标签和表征；步骤S4：对于伪标签进行筛选，分出可靠像素和不可靠像素；步骤S5：对于可靠像素送入学生网络中进行监督；对于不可靠像素，根据其特征编码信息，对学生网络进行基于对比学习的特征优化。2.根据权利要求1所述的基于特征对比的半监督工业缺陷检测方法，其特征在于，在所述步骤S3中：对于有标签输入用图片和对应的标签对于学生网络进行训练的步骤如下：步骤S3.1：对输入图片进行数据扩增；步骤S3.2：用进行数据扩增后的输入图片训练一个教师网络，之后该教师网络不进行梯度更新；步骤S3.3：用步骤S3.2的相同输入图片训练一个学生网络；步骤S3.4：基于交叉熵进行教师网络和学生网络的训练。3.根据权利要求2所述的基于特征对比的半监督工业缺陷检测方法，其特征在于：所述基于交叉熵是用以衡量输入图像和真实标注的标签中语义信息的差别，其计算过程如下：程如下：其中，y
i
为第i个特征向量中语义信息的差别；x
i
为特征向量第i个值，x
j
为特征向量第j个值，先通过softmax函数进行归一化，将特征向量各维度的值转化为概率形式，再求得其交叉熵；H
y
′
(y)为交叉熵；y'
i
为理想结果、正确标签向量。4.根据权利要求1所述的基于特征对比的半监督工业缺陷检测方法，其特征在于，在所述步骤S4中：利用熵值对于伪标签进行像素级别的筛选，具体步骤如下：步骤S4.1：对于每个像素的预测概率分布，熵值根据如下公式计算：Entropy(p)＝
‑
p
i
log(p
i
)其中Entropy(p)为熵值，p为待计算的像素，p
i
为像素p类别为i的概率；步骤S4.2：计算所有像素的熵值，熵值排序位于后50％视为可靠像素，熵值排序位于前50％视为不可靠像素；步骤S4.3：将可靠像素与可靠像素的伪标签视为有标签输入，作为学生网络的监督信息，损失函数为交叉熵。5.根据权利要求1所述的基于特征对比的半监督工业缺陷检测方法，其特征在于，在所述步骤S5中：对于低可信度的标签根据特征编码信息对学生网络进行基于对比学习的特征优化的
步骤为：步骤S5.1：将不可像素的预测概率分布进行根据概率值的排序；步骤S5.2：对于每个类别的可靠像素，当不可靠像素概率排序前三类别中不出现这个类别，则进行特征对比的损失计算优化，其计算过程如下所示：其中，C是概率类别，M代表着图片上的位置信息，z
i
代表着相应位置的教师网络输出的表征,τ为预先设定的温度系数，N为预先设定的负样本个数，为对应的正样本的表征，为对应的负样本的表征，<,>表示向量间求内积的运算。6.一种...
【专利技术属性】
技术研发人员：乐心怡，王钰超，陈彩莲，关新平，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
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。