【技术实现步骤摘要】
本专利技术涉及缺陷检测，具体涉及基于缺陷检测模型的缺陷检测方法和装置、程序产品。
技术介绍
1、在工业产品表面质量检测任务中，深度学习模型，尤其是语义密集型任务(例如缺陷分割)模型，需学习的训练参数量大，训练难度较高。目前的一种解决方式，是先采用大规模数据集(例如imagenet等)对模型中的一部分(一般是骨干网络，用来抽取图像特征)进行预训练，获得预训练权重，之后采用应用场景中的数据集(如工业场景中工业产品的图像)训练完整的整个模型。通过这种加载预训练权重的方式进行学习，可以使模型在训练前具备一定的特征提取能力，加快模型对数据的拟合速度，缩短训练周期，同时提供更加合理的初始参数分布，有效提升模型稳定性。
2、然而工业场景中工业产品的图像，受复杂背景、多材质表面(如金属、塑料)及多变光照条件的影响，与自然图像(例如大规模自然数据集imagenet等中的图像)的数据分布差异显著，导致具有预训练权重的模型特征提取能力反而有所下降。
技术实现思路
1、本专利技术提供一种基于缺陷检测模...
【技术保护点】
1.一种基于缺陷检测模型的缺陷检测方法，其特征在于，所述缺陷检测模型包括编码器、实例特征增强模块和解码器，所述编码器具有预训练权重且包括一层或多层特征提取层，其中至少在一层所述特征提取层之后嵌入有一个所述实例特征增强模块，所述缺陷检测方法包括：
2.如权利要求1所述的缺陷检测方法，其特征在于，所述实例特征增强模块包括实例感知细化特征模块和特征融合增强模块；通过所述实例特征增强模块，利用缺陷实例的语义信息对所提取的缺陷特征图进行特征增强，得到该层最终的缺陷特征图，包括：
3.如权利要求2所述的缺陷检测方法，其特征在于，所述实例感知细化特征模块包括...
【技术特征摘要】
1.一种基于缺陷检测模型的缺陷检测方法，其特征在于，所述缺陷检测模型包括编码器、实例特征增强模块和解码器，所述编码器具有预训练权重且包括一层或多层特征提取层，其中至少在一层所述特征提取层之后嵌入有一个所述实例特征增强模块，所述缺陷检测方法包括：
2.如权利要求1所述的缺陷检测方法，其特征在于，所述实例特征增强模块包括实例感知细化特征模块和特征融合增强模块；通过所述实例特征增强模块，利用缺陷实例的语义信息对所提取的缺陷特征图进行特征增强，得到该层最终的缺陷特征图，包括：
3.如权利要求2所述的缺陷检测方法，其特征在于，所述实例感知细化特征模块包括第一多层感知机和softmax函数层；
4.如权利要求3所述的缺陷检测方法，其特征在于，所述语义表示矩阵为可学习参数，其在所述缺陷检测模型的训练过程中能够被更新。
5.如权利要求2所述的缺陷检测方法，其特征在于，所述特征融合增强模块包括第二多层感知机；
6.如权利要求5所述的缺陷检...
【专利技术属性】
技术研发人员：曾利宏，杨洋，黄淦，翟爱亭，
申请(专利权)人：深圳市华汉伟业科技有限公司，
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。