【技术实现步骤摘要】
本申请实施例涉及图像处理领域，尤其涉及钢材表面缺陷检测方法、模型训练方法及相关装置。
技术介绍
1、缺陷检测主要是找出物体表面缺陷的类别和所在位置，传统检测方法大多通过人工目测完成，即需要通过培训特定工人来识别复杂的表面缺陷，但这种方法不仅需要耗费大量的人力，而且准确率较低，同时还容易受到人为主观因素的影响。或者，通过红外传感器根据距离进行检测，但这种方法难以检测较小的缝或凹痕，检测精度低。
技术实现思路
1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
2、本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一，本申请实施例提供了钢材表面缺陷检测方法、模型训练方法及相关装置。
3、本申请的第一方面的实施例，一种钢材表面缺陷检测模型训练方法，包括：
4、获取第一训练图像和第二训练图像，所述第一训练图像标注有缺陷标签，所述第二训练图像未标注缺陷标签；
5、将所述第一训练图像作为源域数据来训练基础检测模型，得到第一检测模型；
6、将所述第二训练图像作为目标域数据来训练所述第一检测模型，通过调整所述第一检测模型的参数减小源域与目标域之间的域差异，得到第二检测模型；
7、根据所述第二检测模型构建教师模型与学生模型；
8、根据所述第一训练图像训练所述教师模型，得到教师模型的中间层特征；
9、根据所述教师模型的中间层特征、所述第一训练图像和所述第二训练图像训练所
10、将训练好的学生模型作为训练好的检测模型。
11、根据本申请的第一方面的某些实施例，所述将所述第二训练图像作为目标域数据来训练所述第一检测模型，包括：
12、将所述第二训练图像作为真实图像，将添加噪声的第二训练图像作为对抗图像；
13、训练所述第一检测模型判断所述真实图像和所述对抗图像，得到判断结果。
14、根据本申请的第一方面的某些实施例，所述调整所述第一检测模型的参数，包括：
15、根据所述判断结果得到所述源域数据的分布和所述目标域数据的分布之间的差异的最大值；
16、将所述差异的最大值作为损失函数，根据所述损失函数调整所述第一检测模型的参数。
17、根据本申请的第一方面的某些实施例，所述根据所述损失函数调整所述第一检测模型的参数，包括：
18、冻结所述第一检测模型的前部分的第一卷积模块的参数；
19、根据所述损失函数调整所述第一检测模型的后部分的第二卷积模块的参数。
20、根据本申请的第一方面的某些实施例，所述根据所述教师模型的中间层特征、所述第一训练图像和所述第二训练图像训练所述学生模型，包括：
21、根据所述第一训练图像和所述第二训练图像训练所述学生模型，调整所述学生模型的中间层特征相似于所述教师模型的中间层特征，最小化所述学生模型的输出与所述教师模型的输出之间的距离。
22、根据本申请的第一方面的某些实施例，所述学生模型的输出与所述教师模型的输出之间的距离表示为:其中，dkl(p||q)为所述学生模型的输出与所述教师模型的输出的距离，p(i)为教师模型对应第i个输入的输出，q(i)为学生模型对应第i个输入的输出。
23、根据本申请的第一方面的某些实施例，所述学生模型包括变形卷积层；所述变形卷积层用于获取变形卷积层的输入的偏移域，根据所述偏移域确定卷积采样区域，根据所述卷积采样区域进行卷积得到变形卷积层的输出。
24、本申请的第二方面的实施例，一种钢材表面缺陷检测方法，包括：
25、获取待检测图像；
26、将所述待检测图像输入至训练好的钢材表面缺陷检测模型中进行钢材表面缺陷检测，得到检测结果；
27、其中，所述钢材表面缺陷检测模型按照如上所述的钢材表面缺陷检测模型训练方法训练得到。
28、本申请的第三方面的实施例，一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的钢材表面缺陷检测模型训练方法或钢材表面缺陷检测方法。
29、本申请的第四方面的实施例，一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的钢材表面缺陷检测模型训练方法或钢材表面缺陷检测方法。
30、上述方案至少具有以下的有益效果：通过将有缺陷标签的源域图像训练基础检测模型，得到第一检测模型；将无缺陷标签的目标域图像训练第一检测模型，减小源域与目标域之间的域差异，得到第二检测模型；根据第二检测模型构建教师模型与学生模型；根据第一训练图像训练教师模型，得到教师模型的中间层特征；根据教师模型的中间层特征、第一训练图像和第二训练图像训练学生模型，得到训练好的学生模型；充分利用源域的信息，并使模型更好地适应目标域的特征，提高缺陷检测的准确性；通过将教师网络中的知识作为软目标引导学生网络训练，有助于模型捕获非规则缺陷特征，提高缺陷检测的灵敏度和准确性。
本文档来自技高网...【技术保护点】
1.一种钢材表面缺陷检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的钢材表面缺陷检测模型训练方法，其特征在于，所述将所述第二训练图像作为目标域数据来训练所述第一检测模型，包括：
3.根据权利要求2所述的钢材表面缺陷检测模型训练方法，其特征在于，所述调整所述第一检测模型的参数，包括：
4.根据权利要求1所述的钢材表面缺陷检测模型训练方法，其特征在于，所述根据所述损失函数调整所述第一检测模型的参数，包括：
5.根据权利要求1所述的钢材表面缺陷检测模型训练方法，其特征在于，所述根据所述教师模型的中间层特征、所述第一训练图像和所述第二训练图像训练所述学生模型，包括：
6.根据权利要求5所述的钢材表面缺陷检测模型训练方法，其特征在于，所述学生模型的输出与所述教师模型的输出之间的距离表示为:其中，DKL(P||Q)为所述学生模型的输出与所述教师模型的输出的距离，P(i)为教师模型对应第i个输入的输出，Q(i)为学生模型对应第i个输入的输出。
7.根据权利要求1所述的钢材表面缺陷检测模型训练方法，其特征在于，
8.一种钢材表面缺陷检测方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的钢材表面缺陷检测模型训练方法或权利要求8所述的钢材表面缺陷检测方法。
10.一种计算机存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至7中任一项所述的钢材表面缺陷检测模型训练方法或权利要求8所述的钢材表面缺陷检测方法。
...【技术特征摘要】
1.一种钢材表面缺陷检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的钢材表面缺陷检测模型训练方法，其特征在于，所述将所述第二训练图像作为目标域数据来训练所述第一检测模型，包括：
3.根据权利要求2所述的钢材表面缺陷检测模型训练方法，其特征在于，所述调整所述第一检测模型的参数，包括：
4.根据权利要求1所述的钢材表面缺陷检测模型训练方法，其特征在于，所述根据所述损失函数调整所述第一检测模型的参数，包括：
5.根据权利要求1所述的钢材表面缺陷检测模型训练方法，其特征在于，所述根据所述教师模型的中间层特征、所述第一训练图像和所述第二训练图像训练所述学生模型，包括：
6.根据权利要求5所述的钢材表面缺陷检测模型训练方法，其特征在于，所述学生模型的输出与所述教师模型的输出之间的距离表示为:其中，dkl(p||q)为所述学生模型的输出与所述教师模型的输出的距...
【专利技术属性】
技术研发人员：甘俊英，庄圳鑫，陈真，许文超，陈汉添，黎慧聪，熊俊玲，刘建强，
申请(专利权)人：五邑大学，
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。