【技术实现步骤摘要】
本申请涉及涂布缺陷分类检测，尤其涉及一种基于自监督学习策略的涂布缺陷分类方法及系统。
技术介绍
1、工业涂布生产时，通过自动化、智能化的表面缺陷检测方法，分析缺陷产生的原因，使得生产线的维护工作更具有针对性，有效降低维护成本和检修成本。目前基于深度学习的涂布缺陷检测一般采用有监督的图像分类或者目标检测的方法。当在刚开始生产时，由于缺少大量的ng图像，即使是生产工艺良好情况下也没有大量的标注数据，难以用有监督的深度学习方法进行缺陷检测、缺陷分类等，而对于目标检测的方法，其中需要说明的是，对涂布图像这种分辨率较大、背景较为单一固定、缺陷大小位置多变的图像进行自监督学习很具挑战性。因为自监督学习中最常见的个体判别代理任务会对图像进行随机裁剪，但由于缺陷小且分布不均，随机裁剪后的图像有很大概率没有把缺陷区域裁剪进去，导致正样本变成负样本但还是当作正样本处理，造成了模型学习的歧义，影响了训练过程。就算随机裁剪时缺陷区域被裁剪到，但缺陷区域可能只占整个图像一小部分，模型难以关注到真正有缺陷的位置，因此目标检测的方法同样存在缺陷分类检测精度低下的问题
2、本文档来自技高网...
【技术保护点】
1.一种基于自监督学习策略的涂布缺陷分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取无标注涂布样本数据并进行数据预处理，得到第一无标注涂布增强样本数据和第二无标注涂布增强样本数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述涂布缺陷分类自监督训练网络模型包括第一编码器、第一投影头、第二编码器、第二投影头和损失计算模块，其中，所述第一编码器的输出端与所述第一投影头的输入端连接，所述第二编码器的输出端与所述第二投影头的输入端连接，所述第一投影头的第一输出端、所述第二投影头的第二输出端与所述损失计算模
【技术特征摘要】
1.一种基于自监督学习策略的涂布缺陷分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取无标注涂布样本数据并进行数据预处理，得到第一无标注涂布增强样本数据和第二无标注涂布增强样本数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述涂布缺陷分类自监督训练网络模型包括第一编码器、第一投影头、第二编码器、第二投影头和损失计算模块，其中，所述第一编码器的输出端与所述第一投影头的输入端连接，所述第二编码器的输出端与所述第二投影头的输入端连接，所述第一投影头的第一输出端、所述第二投影头的第二输出端与所述损失计算模块的输入端相连。
4.根据权利要求3所述的方法，其特征在于，所述第一编码器与所述第二编码器均包括若干个深度卷积神经网络模块、若干个空间注意力模块和全局池化模块，若干个所述深度卷积神经网络模块与若干个所述空间注意力模块依次连接，所述全局池化模块均为所述第一编码器与所述第二编码器的最后输出层，其中，所述第一编码器的网络参数更新方式为梯度回传编码，所述第二编码器的网络参数更新方式为动量编码。
5.根据权利要求1所述的方...
【专利技术属性】
技术研发人员：王静云，黄志青，余俊，陈天戈，
申请(专利权)人：广州恒沙云科技有限公司，
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。