【技术实现步骤摘要】
面向工业产品质检的小样本图像分割自我校准方法
[0001]本专利技术涉及计算机视觉
,具体涉及一种面向工业产品质检的小样本图像分割自我校准方法。
技术介绍
[0002]工业产品的缺陷检测是工业领域的重要分支,由于缺陷多种多样,传统的机器视觉算法很难对缺陷的特征进行完整的建模和迁移,而深度学习在特征提取和定位上都有比较好的结果,因此,使用基于深度学习的图像语义分割算法来进行工业产品的缺陷检测是目前研究的主要方法之一。
[0003]图像语义分割是计算机视觉中的一项基本任务,该任务旨在将输入图像中的每个像素划分为一个明确的类别。近年来,随着深度学习技术的发展和大规模标注数据集的出现,使得图像语义分割的准确率得到了显著的提高,图像语义分割技术也在缺陷检测、医学影像处理、自动驾驶等领域发挥着越来越大的作用。目前基于深度学习的图像语义分割算法主要通过深度卷积神经网络(Deep Convolution Neural Network)进行实现。虽然这类算法具有优异的性能,但是它们存在两个问题:
[0004]第一,基于深度学习的图像语义分割算法需要使用大量逐像素标注的图片来进行训练,才能生成一个性能良好的模型。以图像语义分割常用的数据集Common Objects in Context(下文简称COCO)为例,COCO数据集提供了12万张图片用于图像语义分割,每张图片都由人工进行逐像素(每张图片几万甚至几十万个像素)的标注以保证算法所涉及的模型能够得到充分地训练而收敛。
[0005]第二,基于深度学习的图 ...
【技术保护点】
【技术特征摘要】
1.一种面向工业产品质检的小样本图像分割自我校准方法,其特征在于,包括:步骤1,采集训练图像,获得数据集,将数据集划分为训练集C
base
和测试集C
novel
两类,训练集C
base
为拥有样本缺陷的种类,训练集C
base
和测试集C
novel
无交集;步骤2,构造自我校准算法的输入数据,输入数据包括若干三元组(I
s
,M
s
,I
q
),三元组作为训练或测试过程中的基本数据单元,称为一个段,自我校准算法包括指导分支和查询分支,其中指导分支输入指导图片I
s
和指导图片I
s
的逐像素标注图像M
s
,指导分支用于从被充分标注的指导图片I
s
中学习并提取先验知识;查询分支的输入为查询图片I
q
,查询分支用于借鉴指导图片I
s
学习的知识来生成查询图片I
q
的预测结果;步骤3,提取输入图片特征,对于每一个段,指导图片I
s
和查询图片I
q
分别通过一个由卷积神经网络组成的编码器,提取出其在高维空间的深度特征,指导图片I
s
的高维特征记为F
s
,查询图片I
q
的高维特征记为F
q
;步骤4,生成指导图片的特征表示,将指导图片I
s
的高维特征F
s
输入到指导分支中,生成对应的特征表示;将指导图片I
s
的高维特征F
s
和其标注M
s
的逐像素相乘,将指导图片I
s
高维特征F
s
中的背景部分去除;通过全局平均池化生成指导图片I
s
的特征表示V
s
,输入到查询分支中;步骤5,生成预测概率分布图,将查询图片I
q
的高维特征F
q
输入到查询分支中,和指导图片I
s
的特征表示V
s
一起生成查询图片I
q
的初步分割预测,指导图片I
s
的特征表示V
s
和查询图片I
q
的高维特征F
q
逐像素的计算余弦相似度,能够得到一概率分布图P,其中每个位置的值表示该位置像素属于前景类别的概率;步骤6,生成初步标记掩码,选取一个阈值,将概率分布图P中大于阈值的位置设置为1...
【专利技术属性】
技术研发人员:高广宇,方致远,刘驰,张泽康,
申请(专利权)人:北京理工大学,
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。