基于原型学习引导的判别分割网络的小样本缺陷检测方法技术

技术编号:39847731 阅读:48 留言:0更新日期:2023-12-29 16:46
本发明专利技术属于小样本缺陷检测相关技术领域,其公开了一种基于原型学习引导的判别分割网络的小样本缺陷检测方法,方法包括:获取一组正常小样本图像和缺陷小样本图像;采用训练完成的神经网络提取正常小样本图像和缺陷小样本图像中的特征获得小样本的初始特征;将小样本的初始特征输入原型生成网络获得嵌入特征块,原型生成网络的损失函数包括正常特征聚类损失函数

【技术实现步骤摘要】
基于原型学习引导的判别分割网络的小样本缺陷检测方法


[0001]本专利技术属于小样本缺陷检测相关
,更具体地,涉及一种基于原型学习引导的判别分割网络的小样本缺陷检测方法


技术介绍

[0002]为了提高产品质量的可靠性和合格率,工业生产过程中的表面缺陷检测变得尤为重要,传统的表面缺陷检测主要依赖人工经验,质检人员需要对产品进行目视检查,但由于视觉疲劳

环境因素的影响以及不同人员对瑕疵的判断差异,检测效率和质量难以保证

为了解决这些问题,机器视觉技术进行工业缺陷检测成为了常用技术,机器视觉是一种利用计算机视觉系统来模拟人类视觉功能的技术,在工业生产中具有广泛的应用潜力

[0003]机器视觉系统通过摄像头等光学设备将产品表面图像转化为数字信号,然后通过图像处理算法对图像进行分析和识别,这些算法可以通过深度学习和人工智能等技术进行训练和优化,以辨别产品表面的缺陷和瑕疵

[0004]图像缺陷检测旨在区分正常样本和缺陷样本,与传统的目标检测方法不同,在缺陷检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于原型学习引导的判别分割网络的小样本缺陷检测方法,其特征在于,包括:
S1
:获取一组正常小样本图像和缺陷小样本图像;
S2
:采用训练完成的神经网络提取所述正常小样本图像和缺陷小样本图像中的特征获得小样本的初始特征;
S3
:将所述小样本的初始特征输入原型生成网络获得嵌入特征块,所述原型生成网络的损失函数包括正常特征聚类损失函数

缺陷特征分离损失函数以及基于像素级差异的分类损失函数,其中,该基于像素级差异的分类损失函数通过如下方式创建:计算初始特征中正常特征的平均值,将所述平均值作为小样本的原型特征的初始中心,以所述初始中心为中心对正常特征进行最近邻搜索,获得小样本的
k
个原型特征,计算
k
个原型特征与嵌入特征块的距离,以获得相似性图,对所述相似性图在像素级别求平均获得缺陷程度,获取所述缺陷程度与小样本标签的距离,进而获取所述基于像素级差异的分类损失函数;
S4
:将所述相似性图与嵌入特征块进行通道维度拼接后输入判别分割网络,实现小样本的缺陷分割识别;
S5
:采用训练集对所述原型生成网络和判别分割网络进行训练,获得训练完成的原型生成网络和判别分割网络,将待测小样本输入训练完成的原型生成网络和判别分割网络即可实现小样本的缺陷检测
。2.
根据权利要求1所述的小样本缺陷检测方法,其特征在于,所述原型生成网络依次包括:一层卷积层

一层正则化层

一层
Relu
激活函数,一层平均池化层以及两层
CoordConv2d。3.
根据权利要求1或2所述的小样本缺陷检测方法,其特征在于,所述正常特征聚类损失函数
L
NFC
为:其中,
T

H
×
W

H
为训练完成的神经网络所提取特征的高度,
W
为训练完成的神经网络所提取特征的宽度,
K
为原型特征的总数,
F
t
为所述嵌入特征块,为与初始中心最近的
k
个原型特征,
d(.,.)
为预定义的距离度量,
r
为与接近的范围半径
。4.
根据权利要求1或2所述的小样本缺陷检测方法,其特征在于,缺陷特征分离损失函数
L

【专利技术属性】
技术研发人员:沈卫明姜雨欣曹云康
申请(专利权)人:华中科技大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1