【技术实现步骤摘要】
用于缺陷检测的系统和方法
[0001]相关申请的交叉引用
[0002]本申请要求于2022年2月14日提交的、名称为“用于工业异常检测的多任务知识提取方法(MULTI
‑
TASK KNOWLEDGE DISTILLATION APPROACH FOR INDUSTRIAL ANOMALY DETECTION)”的美国临时申请第63/310,000号的优先权和权益，其全部内容通过引用并入本文中。
[0003]根据本公开的实施例的一个或多个方面涉及制造过程，并且更具体地涉及用于例如制造过程中的缺陷检测的系统和方法。
技术介绍
[0004]在制造过程中，通过基于机器学习的系统进行缺陷检测可能具有挑战性。例如，在缺陷很少的情况下，缺乏有缺陷的样本对于用于执行监督训练的标记后的训练集的组装可能是障碍。此外，在缺陷物品的图像或缺陷样本可用的情况下，将它们保留用于验证可能比将它们用于训练更有利。
[0005]本公开的方面正是与这种一般技术环境相关。
技术实现思路
[0006]根据本...
【技术保护点】
【技术特征摘要】
1.一种用于缺陷检测的方法，包括：使用第一组图像训练第一神经网络，其中：所述第一神经网络包括第一学生神经网络和第一教师神经网络；使用所述第一组图像训练所述第一神经网络包括：将缺陷引入到所述第一组图像的第一子集中，并且使用所述第一组图像训练所述第一学生神经网络；并且训练所述第一学生神经网络包括使用如下第一成本函数训练所述第一学生神经网络：对于所述第一组图像中的且不是所述第一子集中的图像，奖励所述第一学生神经网络的特征映射与所述第一教师神经网络的特征映射之间的相似性，并且对于所述第一子集中的图像，奖励所述第一学生神经网络的所述特征映射与所述第一教师神经网络的所述特征映射之间的相异性。2.根据权利要求1所述的方法，进一步包括：使用第二组图像和第二成本函数训练所述第一教师神经网络，其中：所述第二组图像包括各自标记有分类标签的图像；并且对于每个标记有所述分类标签的图像，所述第二成本函数奖励通过所述第一教师神经网络生成的分类与所述图像的所述分类标签之间的相似性。3.根据权利要求1所述的方法，其中，所述第一神经网络进一步包括第二学生神经网络和第二教师神经网络。4.根据权利要求3所述的方法，进一步包括：使用第二组图像和第二成本函数训练所述第二教师神经网络，其中：所述第二组图像包括被遮蔽的通用图像；并且对于每个被遮蔽的通用图像，所述第二成本函数奖励通过所述第二教师神经网络生成的输出图像与跟所述被遮蔽的通用图像相对应的原始通用图像之间的相似性。5.根据权利要求3所述的方法，进一步包括：使用第二组图像和第二成本函数训练所述第二教师神经网络，其中：所述第二组图像包括分辨率降低的通用图像；并且对于每个分辨率降低的通用图像，所述第二成本函数奖励通过所述第二教师神经网络生成的输出图像与跟所述分辨率降低的通用图像相对应的全分辨率图像之间的相似性。6.根据权利要求5所述的方法，其中，所述第一神经网络进一步包括第三学生神经网络和第三教师神经网络。7.根据权利要求6所述的方法，进一步包括：使用第三组图像和第三成本函数训练所述第三教师神经网络，其中：所述第三组图像包括被遮蔽的通用图像；并且对于每个被遮蔽的通用图像，所述第三成本函数奖励通过所述第三教师神经网络生成的输出图像与跟所述被遮蔽的通用图像相对应的原始通用图像之间的相似性。8.根据权利要求7所述的方法，进一步包括：使用所述第一组图像和所述第一成本函数训练所述第二学生神经网络。9.根据权利要求8所述的方法，进一步包括：使用所述第一组图像和所述第一成本函数
训练所述第三学生神经网络。10.根据权利要求1所述的方法，其中，所述第一子集的第一图像包括由重建神经网络处理的第一部分。11.根据权利要求10所述的方法，进一步包括生成所述第一部分，生成所述第一部分包括：遮蔽正常图像的一部分，以形成被遮蔽的图像；并且将所述被遮蔽的图像馈送到所...
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。