一种基于知识蒸馏的双向师生网络缺陷检测方法技术

本发明专利技术公开了一种基于知识蒸馏的双向师生网络缺陷检测方法，包括如下步骤：步骤1、获取用于训练的数据集；步骤2、构建双向蒸馏师生网络模型；步骤3、通过获取的数据集训练双向蒸馏师生网络模型；步骤4、把待测图片输入到双向蒸馏师生网络模型中，并让正向蒸馏学生网络与逆向学生蒸馏网络的第l层输出的特征图分别与教师网络的第l层输出的特征图计算异常分数，得到特征异常图与步骤5、将特征异常图与作为输入通过一个自适应特征异常统计模块，输出最终异常分数图。

【技术实现步骤摘要】

本专利技术涉及缺陷检测等计算机，具体指一种基于知识蒸馏的双向师生网络缺陷检测方法。

技术介绍

1、深度学习算法诞生之前，物体表面缺陷检测一般是依靠机器视觉等传统方法来进行。传统的检测表面缺陷检测方法存在着易受背景环境干扰、难以处理细微缺陷、对缺陷的尺寸与形状变化不敏感等问题。随着各种基于图像处理和深度学习的有监督目标检测算法例如ssd,faster rcnn，yolo的出现极大的解决了上述的难题，但以上模型训练需要大量的标记数据，而带有缺陷标签的图像并不容易获得，这是因为一方面有缺陷产品的出现比较偶然可能较长的时间才能收集到很少的有缺陷的产品，另一方面产品的缺陷普遍没有规律性从细微的划痕到大的结构缺陷都可能存在，这就难以有合适的标准进行划分标注。以上两个原因导致带有缺陷标签的图像非常的稀缺，而缺陷样本的缺乏导致上述的模型难以成为解决表面缺陷检测的核心力量。因此在表面缺陷检测领域不需要标记数据的无监督算法更受到相关人员的关注与欢迎。

2、当前无监督算法解决表面缺陷主要有三种趋势：基于重建的方法、基于合成的方法和基于特征的方法，其中基于特征的方法取本文档来自技高网...

【技术保护点】

1.一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，所述步骤2中，双向蒸馏师生网络模型的损失函数为：

3.根据权利要求1所述的一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，所述双向蒸馏师生网络模型的训练方法为：在服务器上搭建训练框架，设置训练参数，训练批次大小设置为Batch＝36，学习率定为Ir＝0.005,训练迭代次数Epoch＝300。

4.根据权利要求3所述的一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，所述双向蒸馏师生网...

【技术特征摘要】

1.一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，所述步骤2中，双向蒸馏师生网络模型的损失函数为：

3.根据权利要求1所述的一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，所述双向蒸馏师生网络模型的训练方法为：在服务器上搭建训练框架，设置训练参数，训练批次大小设置为batch＝36，学习率定为ir＝0.005,训练迭代次数epoch＝300。

4.根据权利要求3所述的一种基于知识蒸馏的双向师生网络缺陷检测方法，其特征在于，所述双向蒸馏师生网络模型...

【专利技术属性】
技术研发人员：张旻，李非凡，姜明，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：