基于高效学生网络的未知类型缺陷检测方法与装置制造方法及图纸

本发明专利技术公开了一种基于高效学生网络的未知类型缺陷检测方法。所述方法包括以下步骤：提出了一种预训练方法，通过让各个类别数据的平均损失最低的策略，在第三方数据集上对学生网络参数进行更新，得到了一个具有较强泛化能力的学生网络初始化模型，随后，在上述训练策略的基础上，在网络中通过多任务学习的思路和注意力机制的思想，加入了自适应权重模块和分类网络辅助学生网络训练，提升了预训练模型在异常检测任务上的效果。利用本发明专利技术提出的方法得到的初始化模型，在后续异常检测任务中，面对不同新类型的数据进行训练时，仅使用少量样本，即可实现快速收敛，并在测试阶段达到较好的异常检测效果。本发明专利技术还提供了相应的基于高效学生网络的未知类型缺陷检测装置。效学生网络的未知类型缺陷检测装置。效学生网络的未知类型缺陷检测装置。

【技术实现步骤摘要】
基于高效学生网络的未知类型缺陷检测方法与装置


[0001]本专利技术属于计算机视觉
，更具体地，涉及一种基于高效学生网络的未知类型缺陷检测方法与装置。

技术介绍

[0002]随着我国经济的高速发展和科技水平的提高，异常检测技术在工业质检、视频监控等实际应用领域扮演着越来越重要的角色。如在工业质检领域，异常检测技术不仅可以减少经济损失，更是可以保证用户的使用安全。因为异常检测场景常存在着异常样本匮乏等问题，因此在该领域仅使用正常样本进行训练的无监督异常检测算法为主流方法。
[0003]在无监督异常检测方法中，包括基于图像相似度的方法和基于特征相似度的方法。基于图像相似度的方法包括基于图像重建的方法和基于图像恢复的方法，基于特征相似度的方法包括深度一类分类方法、基于模板匹配的方法和基于教师
‑
学生网络的方法。教师
‑
学生网络是目前一种效果优异的无监督异常检测算法。但是在实际异常检测任务中，该方法在训练模型时训练样本需超过200张，训练时间大于2小时，难以满足实际模型快速部署到新的应用场景的需求。为了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高效学生网络的未知类型缺陷检测方法，其特征在于，包括如下步骤：步骤S1，构建教师网络(1)，准备一个在ImageNet数据集上预训练好的ResNet18网络，并将ImageNet中图像随机裁剪为为边长为预设值的图像块，将图像块同时输入教师网络(1)和预训练好的ResNet18网络，约束教师网络(1)的输出特征和预训练好的ResNet18网络的输出特征相同，在后续步骤中教师网络(1)的参数都被固定；步骤S2，在MSRA10K数据集上利用K
‑
means聚类算法，将该数据集划分为N个粗组，在每个粗组中计算样本到中心特征的结构相似性距离，保留距离中心最近的M个样本，据此构造含有N个类别的数据集(2)，所述M和N为预设值；步骤S3，构建预训练网络(3)，预训练网络(3)由学生网络(4)、自适应权重模块、特征融合模块和分类模块组成，其中自适应权重模块为学生网络(4)不同层特征提供不同的权重，特征融合模块将学生网络不同层特征与其对应的权重相乘再进行特征融合，然后将融合后的特征输入分类模块中，分类模块输出分类标签；步骤S4，训练预训练网络(3)，首先将数据集(2)中每一类数据划分为训练样本(5)和验证样本(6)，将训练样本(5)输入到预训练网络(3)中，首先约束学生网络(4)在训练样本(5)上提取的特征与教师网络(1)提取的特征相同，随后将学生网络(4)的中间层输出特征与最终输出特征分别经过自适应权重模块，并将不同层特征与对应的权重相乘输入特征融合模块，将融合后特征输入分类模块，预测特征的类别，随后，将完成训练后的预训练网络(3)在验证样本(6)上计算损失函数，并回传该损失函数，更新还未输入训练样本(5)进行更新前的预训练网络(3)的参数；步骤S5，在异常检测任务上的训练阶段，准备训练样本(7)，将其输入到学生网络(4)中，此时学生网络(4)的初始化参数为完成步骤S4训练后的学生网络(4)的参数，随后约束学生网络(4)在训练样本(7)上提取的特征与教师网络(1)提取的特征相同；步骤S6，测试阶段，将含有异常区域的测试样本(8)同时输入教师网络(1)和学生网络(4)中，通过异常得分函数(9)计算两者提取的特征图在特征空间的距离，得到异常得分图，随后通过设置阈值对异常得分图进行二值化，得到该阶段的输出。2.如权利要求1所述的基于高效学生网络的未知类型缺陷检测方法，其特征在于，预训练网络(3)中的学生网络(4)的网络结构为全卷积结构，网络最后一层输出尺寸为H1×
W1×
C1，中间层输出尺寸为H2×
W2×
C1，其中H1、W1、C1、H2、W2、C2为预设值。3.如权利要求1或2所述的基于高效学生网络的未知类型缺陷检测方法，其特征在于，预训练网络(3)的自适应权重模块分别给学生网络(4)的中间层特征和最后一层输出特征一个自适应的权重，具体包括：步骤S3
‑
1，使用3
×
3卷积对学生网络中间层输出特征进行尺寸进行下采样H和W为预设值；步骤S3
‑
2，将步骤3
‑
1得到的特征图经过全局平均池化层、全连接层以及Sigmoid操作，得到该特征对应的权重ω0；步骤S3
‑
3，使用3
×
3卷积对学生网络最后一层输出特征进行尺寸进行下采样步骤S3
‑
4，将步骤3
‑
3得到的特征图经过全局平均池化层、全连接层以及Sigmoid操作，
得到该特征对应的权重ω1。4.如权利要求1或2所述的基于高效学生网络的未知类型缺陷检测方法，其特征在于，预训练网络(3)的特征融合模块用于融合加权后的学生网络(4)的中间层特征和最后一层输出特征，具体包括：步骤S3
‑
5，将学生网络(4)的中...

【专利技术属性】
技术研发人员：白翔，章哲彦，罗东亮，杨子豪，蔡雨萱，周瑜，郑增强，刘荣华，
申请(专利权)人：武汉精测电子集团股份有限公司武汉精立电子技术有限公司，
类型：发明
国别省市：