一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法及系统技术方案

本发明专利技术涉及缺陷检测技术领域，公开了一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法及系统，包括：构建缺陷检测模型，缺陷检测模型包括并行双分支网络模块、多尺度特征聚合模块、对比蒸馏模块、双向关联感知聚合模块、建议区域生成网络模块、感兴趣区域特征对齐层模块以及基础网络层模块；利用分类损失函数和定位回归损失函数指导缺陷检测模型优化权重参数，计算预测值和真实值之间的损失值；训练缺陷检测模型后测试性能。本发明专利技术中的缺陷检测模型不对螺纹套丝数据量过分敏感，泛化性得到大大加强，从而提高缺陷检测模型的检测能力，本发明专利技术公开系统包括采集单元、模型搭建单元、训练单元和检测单元。元和检测单元。元和检测单元。

【技术实现步骤摘要】
一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法及系统


[0001]本专利技术涉及缺陷检测
，具体地说，是一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法及系统。

技术介绍

[0002]随着我国城市化进程不断加快，推动了制造业的大力发展，并促进我国经济与日俱增。螺纹套丝是一种必不可少的结构材料，广泛地被使用在住宅房屋、高速公路、生产设备等应用中，可以提高材料连接处的强度和耐磨性。在螺纹套丝生产过程中因轧制工艺和质量品控参差不齐，会导致螺纹套丝表面出现不同类型的缺陷，如裂纹、凹坑等缺陷，这些缺陷会影响后续应用的质量，造成经济损失和不良的后果，所以如何智能化检测螺纹套丝的缺陷问题成为制造业热议的问题。
[0003]螺纹套丝表面缺陷检测方法可以分为传统方法和深度学习方法。传统方法根据检测方式可以分为人工检测和基于传统图像检测，人工检测主要是通过人眼对表面缺陷进行检测，会因人眼的感光性和疲劳程度影响，主观因素太大，而基于传统图像检测主要是首先对图像进行预处理，再提取目标的人工特征，然后用分类器进行分类定位，但预处理会导致部分信息缺失，致使人工特征对目标的描述并不充分，极易影响模型的检测精度。深度学习方法主要是采用近几年崛起的基于深度学习技术的图像检测方法，通过深度神经网络对图像样本进行高维空间映射表达，具有丰富的语义性和较强的泛化性，整个检测过程中效率高、误检低，效果令人满意。
[0004]目前，大多数螺纹套丝表面缺陷检测方法都采用不同的数据预处理加通用目标检测方法，这些方法往往是基于数据驱动的，数据量大检测性能好，反之较差，然而实际场景中螺纹套丝表面缺陷图像数据不易获取，随机性较大，所以已有的方法存在检测精度低的问题。因此，亟需一种适用于实际场景、易部署的螺纹套丝表面缺陷检测方法，能用较少标注的图像数据进行学习，而不影响模型的精度。

技术实现思路

[0005]本专利技术的目的在于提供一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法，通过在中间层构建对比蒸馏模块对齐不同分支网路的特征，并且利用双向关联感知聚合模块进行增强融合，使得缺陷检测模型不对螺纹套丝数据量过分敏感，泛化性得到大大加强，从而提高缺陷检测模型的检测能力。
[0006]本专利技术通过下述技术方案实现：一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法，包括以下步骤：步骤S1，使用CCD相机采集装置采集螺纹套丝图像数据，并收集开源工件缺陷图像数据，对螺纹套丝图像数据进行标注作为训练查询集，将开源工件缺陷图像数据作为训练支持集；步骤S2，构建缺陷检测模型，所述缺陷检测模型包括并行双分支网络模块、多尺度
特征聚合模块、对比蒸馏模块、双向关联感知聚合模块、建议区域生成网络模块、感兴趣区域特征对齐层模块以及基础网络层模块；步骤S3，利用分类损失函数和定位回归损失函数指导、优化缺陷检测模型，计算预测值和真实值之间的损失值；步骤S4，使用训练支持集和训练查询集训练缺陷检测模型，将迭代次数、学习率预设完整，直到迭代次数等于最大迭代次数，中止训练，生成训练好的缺陷检测模型；步骤S5，在实际场景下使用CCD相机采集装置采集螺纹套丝图像数据，将采集的螺纹套丝图像数据作为待检测样本输入进训练好的缺陷检测模型中，通过深度挖掘分析得到螺纹套丝表面缺陷的位置和缺陷类型。
[0007]目前，大多数螺纹套丝表面缺陷检测方法都采用不同的数据预处理加通用目标检测方法，这些方法往往是基于数据驱动的，数据量大检测性能好，反之较差，然而实际场景中螺纹套丝表面缺陷图像数据不易获取，随机性较大，所以已有的方法存在检测精度低的问题。为了克服这个问题，本专利技术提出了一种智能化螺纹套丝表面缺陷检测方法，通过在中间层构建对比蒸馏模块对齐不同分支网路的特征，并且利用双向关联感知聚合模块进行增强融合，使得缺陷检测模型不对螺纹套丝数据量过分敏感，泛化性得到大大加强，从而提高缺陷检测模型的检测能力。
[0008]为了更好地实现本专利技术，进一步地，所述步骤S2包括：所述缺陷检测模型由依次连接的并行双分支网络模块、多尺度特征聚合模块、对比蒸馏模块、双向关联感知聚合模块、建议区域生成网络模块、感兴趣区域特征对齐层模块以及基础网络层模块构成；所述并行双分支网络模块分为支持集部分网络模块和查询集部分网络模块，所述多尺度特征聚合模块包括第一多尺度特征聚合模块和第二多尺度特征聚合模块；所述支持集部分网络模块连接第一多尺度特征聚合模块，所述查询集部分网络模块连接第二多尺度特征聚合模块，所述第一多尺度特征聚合模块和第二多尺度特征聚合模块的中间连接并行的对比蒸馏模块和双向关联感知聚合模块，所述双向关联感知聚合模块连接建议区域生成网络模块，所述建议区域生成网络模块连接感兴趣区域特征对齐层模块，所述双向关联感知聚合模块和感兴趣区域特征对齐层模块之间跳跃连接，所述感兴趣区域特征对齐层模块连接基础网络层模块，所述基础网络层模块包括第一全连接层和第二全连接层，所述感兴趣区域特征对齐层模块分别连接第一全连接层和第二全连接层。
[0009]为了更好地实现本专利技术，进一步地，通过所述缺陷检测模型进行缺陷检测的方法包括：首先通过并行双分支网络模块提取样本组的深度特征信息，再由多尺度特征聚合模块重组感受野大小，与此同时，利用并行双分支网络模块的中间层添加的对比蒸馏模块进行特征对齐和特征逼近；其次通过双向关联感知聚合模块自适应地融合并行双分支网络模块输出的特征信息，然后将融合的特征信息输入建议区域生成网络模块生成候选感兴趣区域集合；再其次由感兴趣区域特征对齐层模块利用候选感兴趣区域集合提取对应的特征信息进行池化对齐处理；
最后通过全连接层进行分类定位，完成螺纹套丝表面缺陷检测。
[0010]为了更好地实现本专利技术，进一步地，所述支持集部分网络模块和查询集部分网络模块两部分的网络结构相同。
[0011]为了更好地实现本专利技术，进一步地，所述对比蒸馏模块分为两分支部分，分别为对比蒸馏模块的支持集特征分支F
S
和查询集特征分支F
Q
；在全局方面，利用余弦相似度损失函数计算两分支原始特征的差异之处；在局部方面，利用滑动窗口机制随机采样生成局部样本集，然后将两分支原始特征与局部样本集分别做特征乘法计算相似矩阵，最后利用KL散度函数进行特征逼近。
[0012]为了更好地实现本专利技术，进一步地，所述双向关联感知聚合模块包括：所述双向关联感知聚合模块由第一多头自注意力模块、第二多头自注意力模块、第一卷积组合模块、第二卷积组合模块、第三卷积组合模块、第四卷积组合模块、柔性最大值层、特征相乘层、特征相减层、特征拼接层构成；所述第一多头自注意力模块连接并联的第一卷积组合模块和第二卷积组合模块，所述第一卷积组合模块和第二卷积组合模块分别和特征相乘层连接后与柔性最大值层连接；所述第二多头自注意力模块连接第三卷积组合模块，所述第三卷积组合模块和柔性最大值层分别和特征相减层连接，所述第三卷积组合模块和特征相乘层分别和特征拼接层连接，所述特征拼接层和第四卷积组合模块连接。
[0013]为了更好地实现本专利技术，进一步地，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法，其特征在于，包括以下步骤：步骤S1，使用CCD相机采集装置采集螺纹套丝图像数据，并收集开源工件缺陷图像数据，对螺纹套丝图像数据进行标注作为训练查询集，将开源工件缺陷图像数据作为训练支持集；步骤S2，构建缺陷检测模型，所述缺陷检测模型包括并行双分支网络模块、多尺度特征聚合模块、对比蒸馏模块、双向关联感知聚合模块、建议区域生成网络模块、感兴趣区域特征对齐层模块以及基础网络层模块；步骤S3，利用分类损失函数和定位回归损失函数指导、优化缺陷检测模型，计算预测值和真实值之间的损失值；步骤S4，使用训练支持集和训练查询集训练缺陷检测模型，将迭代次数、学习率预设完整，直到迭代次数等于最大迭代次数，中止训练，生成训练好的缺陷检测模型；步骤S5，在实际场景下使用CCD相机采集装置采集螺纹套丝图像数据，将采集的螺纹套丝图像数据作为待检测样本输入进训练好的缺陷检测模型中，通过深度挖掘分析得到螺纹套丝表面缺陷的位置和缺陷类型。2.根据权利要求1所述的一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法，其特征在于，所述步骤S2包括：所述缺陷检测模型由依次连接的并行双分支网络模块、多尺度特征聚合模块、对比蒸馏模块、双向关联感知聚合模块、建议区域生成网络模块、感兴趣区域特征对齐层模块以及基础网络层模块构成；所述并行双分支网络模块分为支持集部分网络模块和查询集部分网络模块，所述多尺度特征聚合模块包括第一多尺度特征聚合模块和第二多尺度特征聚合模块；所述支持集部分网络模块连接第一多尺度特征聚合模块，所述查询集部分网络模块连接第二多尺度特征聚合模块，所述第一多尺度特征聚合模块和第二多尺度特征聚合模块的中间连接并行的对比蒸馏模块和双向关联感知聚合模块，所述双向关联感知聚合模块连接建议区域生成网络模块，所述建议区域生成网络模块连接感兴趣区域特征对齐层模块，所述双向关联感知聚合模块和感兴趣区域特征对齐层模块之间跳跃连接，所述感兴趣区域特征对齐层模块连接基础网络层模块，所述基础网络层模块包括第一全连接层和第二全连接层，所述感兴趣区域特征对齐层模块分别连接第一全连接层和第二全连接层。3.根据权利要求2所述的一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法，其特征在于，通过所述缺陷检测模型进行缺陷检测的方法包括：首先通过并行双分支网络模块提取样本组的深度特征信息，再由多尺度特征聚合模块重组感受野大小，与此同时，利用并行双分支网络模块的中间层添加的对比蒸馏模块进行特征对齐和特征逼近；其次通过双向关联感知聚合模块自适应地融合并行双分支网络模块输出的特征信息，然后将融合的特征信息输入建议区域生成网络模块生成候选感兴趣区域集合；再其次由感兴趣区域特征对齐层模块利用候选感兴趣区域集合提取对应的特征信息进行池化对齐处理；最后通过全连接层进行分类定位，完成螺纹套丝表面缺陷检测。
4.根据权利要求2所述的一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法，其特征在于，包括：所述支持集部分网络模块和查询集部分网络模块两部分的网络结构相同。5.根据权利要求1所述的一种基于蒸馏学习的螺纹套丝表面缺陷检测的方法，其特征在于，包括：所述对比蒸馏模块分为两分支部分，分别为对比蒸馏模块的支持集特征分支F
S
和查询集特征分支F
Q
；在全局方面，利用余弦相似度损失函数计算两分支原始特征的差异之处；在局部方面，利用滑...

【专利技术属性】
技术研发人员：刘杰，欧长阳，魏鹏飞，储长青，刘亮，彭通洲，余贵杨，刘红成，骆俊，周彬，
申请(专利权)人：四川公路桥梁建设集团有限公司，
类型：发明
国别省市：