一种基于图像排序的工业缺陷预训练模型的自监督网络制造技术

本发明专利技术公开的一种基于图像排序的工业缺陷预训练模型的自监督网络，包括S1，收集工业缺陷检测数据集；S2，通过工业缺陷检测数据集对模型进行训练；S3，训练好的模型作为预训练模型，冻结前面的特征层，开放后两层特征层参数参与训练和梯度反向传播；S4，获取工业缺陷图像，提取工业缺陷图像中缺陷数据集，通过预训练模型进行训练微调，用于分割和目标检测；此方法不需要标注信息,减少了训练所需时间，预训练模型中的参数都是从大量数据中训练得来，比起在自己的数据集上从头开始训练参数，在预训练模型参数基础上继续训练速度较快。在预训练模型参数基础上继续训练速度较快。在预训练模型参数基础上继续训练速度较快。

【技术实现步骤摘要】
一种基于图像排序的工业缺陷预训练模型的自监督网络


[0001]本专利技术涉及人工智能领域，更具体的，涉及一种基于图像排序的工业缺陷预训练模型的自监督网络。

技术介绍

[0002]在缺陷检测领域，深度学习正在起到越来越重要的作用。为了达到良好的检测效果，现有的利用深度学习的方法必须依赖于大量的人工对特定缺陷进行标注，但是，在实际的工业生产中，缺陷类型是非常复杂和多变的，这就会导致基于深度学习的方法严重依赖于人工标注。
[0003]数据对深度学习的重要性不言而喻，而对于有监督学习，数据的合理性，多样性，标注质量等因素几乎决定了一个AI模型的精度上限，但是在实际工业生产中，数据本身一直都是一个较大的问题。对于大规模数据集，标注这些数据通常需要大量的人力和时间成本，由于一些主观因素，无法避免的会造成数据偏差，如果用这些本身就存在标注偏差的数据去有监督训练模型，最终的预测结果也一定会有很大的问题，即使标注准确，每天标注一个“亿级”的数据量显然是不现实的；对于小规模数据集，模型训练不出良好的效果,在这种情况下，有监督学习在理论上就可以在很大程度上解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像排序的工业缺陷预训练模型的自监督网络，其特征在于，包括如下步骤：S1，收集工业缺陷检测数据集；S2，通过工业缺陷检测数据集对模型进行自监督训练；S3，训练好的模型作为预训练模型，冻结前面的特征层，开放后两层特征层参数参与训练和梯度反向传播；S4，获取工业缺陷图像，提取工业缺陷图像中缺陷数据集，通过预训练模型进行训练微调，用于分割和目标检测。2.根据权利要求1所述的一种基于图像排序的工业缺陷预训练模型的自监督网络，其特征在于，工业缺陷检测数据集包含，钢材表面NEU
‑
CLS数据集、金属表面KolektorSDD数据集、木材表面wooddefect database数据集、钢材表面NEU
‑
DET数据集、磁瓦表面Magnetic
‑
tiledefect数据集、多种材质缺陷MVTecAD数据集、纹理缺陷DAGM2007数据集及自身收集工业数据集。3.根据权利要求2所述的一种基于...

【专利技术属性】
技术研发人员：王晓阳，李浩程，
申请(专利权)人：苏州元瞰科技有限公司，
类型：发明
国别省市：