【技术实现步骤摘要】
基于深度对比学习的缺陷检测方法及装置
[0001]本专利技术涉及计算机领域,具体而言,涉及一种基于深度对比学习的缺陷检测方法及装置
。
技术介绍
[0002]相关技术中,基于深度学习算法或基于传统算法的缺陷检测方法,都是基于缺陷特征的识别,无法真正理解缺陷和产品结构之间的区别,漏检和过检情况无法避免且较为严重
。
具体的,(1)现有的基于深度学习的算法采用大量带有缺陷的图片数据进行训练,使深度神经网络学习到缺陷的深层和浅层特征,进而实现缺陷检测,但是其对于和产品结构较为相似的缺陷易造成漏检,对于和缺陷特征较为相似产品结构易造成过检
。
(2)基于传统算法的缺陷检测方法一般是基于规则的方法,复杂情况下检测效果差,难以落地应用
。
[0003]针对相关技术中存在的上述问题,暂未发现高效且准确的解决方案
。
技术实现思路
[0004]本专利技术提供了一种基于深度对比学习的缺陷检测方法及装置,以解决相关技术中存在的上述技术问题
。
[0005]根据本专利技术的一个实施例,提供了一种基于深度对比学习的缺陷检测方法,包括:采用缺陷样本数据有监督训练缺陷检测网络,得到第一缺陷检测模型,其中,所述第一缺陷检测模型包括:第一检测头
、
第一骨干网络
、
以及第一特征融合网络;采用工件结构数据无监督训练特征提炼网络,得到第二缺陷检测模型,其中,所述第二缺陷检测模型包括:第二检测头
、
第二骨干网 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度对比学习的缺陷检测方法,其特征在于,包括:采用缺陷样本数据有监督训练缺陷检测网络,得到第一缺陷检测模型,其中,所述第一缺陷检测模型包括:第一检测头
、
第一骨干网络
、
以及第一特征融合网络;采用工件结构数据无监督训练特征提炼网络,得到第二缺陷检测模型,其中,所述第二缺陷检测模型包括:第二检测头
、
第二骨干网络
、
以及第二特征融合网络;采用所述第一缺陷检测模型和所述第二缺陷检测模型融合生成第三缺陷检测模型,采用所述缺陷样本数据训练所述第三缺陷检测模型,得到目标缺陷检测模型;采集目标工件的工件图片,采用所述目标缺陷检测模型对所述工件图片进行缺陷检测
。2.
根据权利要求1所述的方法,其特征在于,采用所述第一缺陷检测模型和所述第二缺陷检测模型融合生成第三缺陷检测模型包括:提取所述第一缺陷检测模型中的第一特征处理网络,以及提取所述第二缺陷检测模型的第二特征处理网络,并冻结所述第一特征处理网络和所述第二特征处理网络的网络参数,其中,所述第一特征处理网络由所述第一骨干网络和第一特征融合网络串联组成,所述第二特征处理网络由所述第二骨干网络和第二特征融合网络串联组成;将所述第一特征处理网络和所述第二特征处理网络并行连接后,通过特征拼接层连接至第三检测头,得到第三缺陷检测模型,其中,所述特征拼接层用于对所述第一特征处理网络和所述第二特征处理网络输出的特征按通道维度进行拼接后输入到所述第三检测头中
。3.
根据权利要求1所述的方法,其特征在于,采用工件结构数据无监督训练特征提炼网络,得到第二缺陷检测模型,包括:获取待测工件的无缺陷图片集合,将所述无缺陷图片集合配置为工件结构数据;生成所述工件结构数据中无缺陷图片的残缺图片,并采用所述残缺图片和所述无缺陷图片集合中的原图创建自监督标注数据集;采用所述自监督标注数据集自监督训练所述特征提炼网络,得到第二缺陷检测模型
。4.
根据权利要求3所述的方法,其特征在于,生成所述工件结构数据中无缺陷图片的残缺图片,并采用所述残缺图片和所述无缺陷图片集合中的原图创建自监督标注数据集包括:针对所述工件结构数据中的每张目标无缺陷图片,在随机部位或者在指定部位扣除所述目标无缺陷图片的子图像块,得到残缺图片;以所述残缺图片对应的目标无缺陷图片为标签数据,创建所述残缺图片的自监督标注数据,得到自监督标注数据集
。5.
根据权利要求3所述的方法,其特征在于,采用所述自监督标注数据集自监督训练所述特征提炼网络,得到第二缺陷检测模型,包括:以所述残缺图为输入数据
、
标签数据为输出数据训练所述特征提炼网络,所述,其中,所述自监督标注数据集包括多组自监督标注数据,...
【专利技术属性】
技术研发人员:于洋,黄雪峰,熊海飞,
申请(专利权)人:深圳市信润富联数字科技有限公司,
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。