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

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，在缺陷检测中没有固定的缺陷类别，任何与正常样本有差异的对象都可以被认为是缺陷
。
现有的目标检测方法并不适用于处理如此多样的缺陷情况，并且实际生产中的缺陷样本数量有限，难以获取足够数量的缺陷样本进行准确的检测
。
因此，当前的方法对于缺陷定位严重依赖于正常样本
。
然而，在现实场景中手动收集大量的正常样本需要大量的时间和成本
。r/>因此，有关小样本缺陷检测的研究亟需开展
。
[0005]解决小样本缺陷检测问题的一个潜在的研究方向是原型特征学习，给定一个支持图像，将其特征提取为原型特征
。
然而，将查询图像的特征与原型特征进行比较，其中类似的部分被视为正常，而具有显著差异的位置被识别为差异
。
与直接比较像素特征相比，这种与原型特征比较的方法对噪声更具有鲁棒性
。
然而，在构建原型特征的过程中有关于缺乏缺陷特征会导致正常特征空间变松散，从而引起以下问题：
[0006](1)
正常特征空间的识别能力下降：当网络中仅用正常样本训练时，其会偏向于正常样本中观察到的主要特征
。
因此，其可能无法捕捉到缺陷样本的复杂性，从而忽略其中可能存在的独特特征
。
这可能导致特征空间的判别力较差，网络难以发现正常和缺陷之间的细微差异
。
[0007](2)
无法获取细粒度的缺陷定位：当缺陷区域非常小或仅于正常原型存在微小的语义差异时，直接比较提取特征与原型特征的方向可能无法准确识别缺陷区域
。
[0008](3)
难以识别多样化缺陷：鉴于缺陷特征的异质性，识别缺陷存在复杂的挑战，缺陷可能展现出多样且独特的特征，如果没有对其独特性的具体了解，难以准确检测缺陷
。
[0009]因此，目前基于原型学习的缺陷检测算法容易出现构造的正常特征空间松散，缺陷定位结果粗糙，无法检测多类别缺陷等问题，亟需提供一种用于工业小样本缺陷检测的方法
。

技术实现思路

[0010]针对现有技术的以上缺陷或改进需求，本专利技术提供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，可以实现更精细
、
更准确的缺陷检测和定位
。
[0011]为实现上述目的，按照本专利技术的一个方面，提供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，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
。
[0012]优选地，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。
[0013]优选地，所述正常特征聚类损失函数
L
NFC
为：
[0014][0015]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
。
[0016]优选地，缺陷特征分离损失函数
L
AFS
为：
[0017][0018]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，
α
用于调整正常特征聚类损失函数和缺陷特征分离损失函数的相对重要性
。
[0019]优选地，所述基于像素级差异的分类损失函数
L
class
为：
[0020]L
class
＝
L(g
s
(F
t
),y
x
)
[0021][0022][0023]其中，将原型本文档来自技高网...

【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：