【技术实现步骤摘要】
本专利技术属于图像缺陷检测，尤其涉及一种工业图像缺陷检测方法。
技术介绍
1、工业品表面质检、工业图像缺陷在线智能检测系统以及产品分类等
，主要采用实际工业产品图像对深度学习算法模型进行训练学习，使网络模型能够快速准确地检测和定位出复杂工业图像中的缺陷以及缺陷的位置的方法，从而大大减少人工质检的时间和资源，同时也能保持高效准确的检测效果。
2、传统基于知识蒸馏思想的图像缺陷异常检测模型中，师生网络大多采用相同或相似的网络架构，这会极大阻碍了学生网络对异常表征的多样性，导致学生网络也能高度概括与教师网络相同的异常特征，使师生模型之间的差异减小，导致检测方法会出现漏检或误检的现象。
3、如arxiv上的论文student-teacherfeaturepyramidmatching forunsupervisedanomalydetection提出了一种基于师生特征金字塔匹配的缺陷异常检测算法，即stpm。如图7所示，教师网络采用预训练resnet-18作为网络骨干，学生网络采用未经训练的resnet-18作为网络，resnet-18包括一个卷积和三个卷积块来形成一个类似于金字塔的结构，该网络在特征金字塔的监督下实现了对工业图像缺陷的准确检测。
4、虽然stpm在多层特征金字塔的监督下能有效地学习网络浅层和深层特征，使学生网络能快速学习到教师网络的特征知识，从而实现对工业图像中缺陷异常的检测与定位。但教师和学生网络采用相同或相似的网络架构，其限制了学生网络对特征表达的创新性和多样性，导致两者最
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种工业图像缺陷检测方法。
2、本专利技术通过以下技术方案得以实现。
3、本专利技术提供的一种工业图像缺陷检测方法，包括以下步骤：
4、s1、获取待检测图像，加载工业图像缺陷检测模型，所述工业图像缺陷检测模型包括若干个教师网络、学生网络、对比损失函数和双向特征映射模块；
5、s2、将待检测图像输入工业图像缺陷检测模型，获取检测结果。
6、优选地，所述教师网络支持预训练cnn网络；
7、所述学生网络支持基于vgg16的自定义cnn网络。
8、优选地，所述加载前，构建工业图像缺陷检测模型包括以下步骤：
9、s10、构建工业图像缺陷检测模型；
10、s20、获取工业图像训练集，根据工业图像训练集生成合成异常图像集，所述工业图像训练集中的图像和待检测图像为同类图像；
11、s30、通过合成异常图像集训练工业图像缺陷检测模型，构建对比损失函数，优化工业图像缺陷检测模型参数。
12、优选地，所述根据工业图像训练集生成合成异常图像集具体指：工业图像训练集通过异常模拟策略生成合成异常图像集。
13、优选地，所述s30、通过合成异常图像集训练工业图像缺陷检测模型，构建对比损失函数，优化工业图像缺陷检测模型参数包括以下步骤：
14、s301、选取合成异常图像集中的一张图像作为训练图像；
15、s302、将训练图像输入工业图像缺陷检测模型，获取教师网络的多层融合特征，获取学生网络的多层特征；
16、s303、通过双向特征映射模块将教师网络的多层融合特征矩阵和学生网络的多层特征双向映射，获取映射后的特征表示；
17、s304、根据教师网络的多层融合特征、学生网络的多层特征和映射后的特征表示构建对比损失函数；
18、s305、通过对比损失函数优化工业图像缺陷检测模型参数；
19、s306、选取合成异常图像集中未被选取过的一张图像作为训练图像，重复步骤s302～s305，直到工业图像缺陷检测模型性能达到最佳。
20、优选地，所述获取教师网络的多层融合特征包括以下步骤：
21、将合成异常图像输入教师网络，获取教师网络的多层特征；
22、教师网络的多层特征根据对应分辨率大小相同的层次进行像素间求均值，获取多层融合特征。
23、优选地，所述双向特征映射模块包括教师特征映射子模块和学生特征映射子模块；
24、所述通过双向特征映射模块将教师网络的多层融合特征和学生网络的多层特征双向映射具体指：通过教师特征映射子模块将教师网络的多层融合特征单向映射至学生网络的特征层面，通过学生特征映射子模块将学生网络的多层特征单向映射至教师网络的特征层面，然后在相同特征层面上进行特征匹配。
25、优选地，所述s304、根据教师网络的多层融合特征、学生网络的多层特征和映射后的特征表示构建对比损失函数包括以下步骤：
26、将教师网络的多层融合特征、学生网络的多层特征和映射后的特征表示归一化处理，获取归一化特征表示；
27、根据归一化特征表示构建正常像素集和合成异常像素集；
28、定义教师域、学生域；
29、根据正常像素集、合成异常像素集定义距离函数，所述距离函数包括教师域的距离函数和学生域的距离函数；
30、根据距离函数构建对比损失函数，所述对比损失函数包括教师域的损失函数和学生域的损失函数。
31、优选地，所述映射后的特征表示包括：教师网络的多层融合特征映射后的特征表示和学生网络的多层特征映射后的特征表示；
32、所述教师域指：教师网络的多层融合特征和学生网络的多层特征映射后的特征表示组成的特征空间；
33、所述学生域指：学生网络的多层特征和教师网络的多层融合特征映射后的特征表示组成的特征空间；
34、所述定义距离函数指：利用smoth l1loss来定义同一域中特征间的距离函数。
35、优选地，所述s305、通过对比损失函数优化工业图像缺陷检测模型参数包括以下步骤：
36、通过对比损失函数构建总的损失函数；
37、根据总的损失函数优化学生网络参数和双向特征映射模块参数；
38、所述直到工业图像缺陷检测模型性能达到最佳中通过图像级auroc值来表示模型的检测性能，通过像素级auroc来表示定位性能。
39、本专利技术的有益效果在于：
40、1、本专利技术实现了高精准度的工业图像缺陷检测，利用多个教师网络训练一个学生网络，多个教师网络可以从多个角度去提取图像信息，从而能训练出一个知识体系完备的学生网络，从而使工业图像缺陷检测模型在检测时更准确，检测性能更强。
41、2、抛弃了传统学生网络采本文档来自技高网...
【技术保护点】
1.一种工业图像缺陷检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的工业图像缺陷检测方法，其特征在于，所述教师网络支持预训练CNN网络；
3.如权利要求1所述的工业图像缺陷检测方法，其特征在于，所述加载前，构建工业图像缺陷检测模型包括以下步骤：
4.如权利要求3所述的工业图像缺陷检测方法，其特征在于，所述根据工业图像训练集生成合成异常图像集具体指：工业图像训练集通过异常模拟策略生成合成异常图像集。
5.如权利要求3所述的工业图像缺陷检测方法，其特征在于，所述S30、通过合成异常图像集训练工业图像缺陷检测模型，构建对比损失函数，优化工业图像缺陷检测模型参数包括以下步骤：
6.如权利要求5所述的工业图像缺陷检测方法，其特征在于，所述获取教师网络的多层融合特征包括以下步骤：
7.如权利要求5所述的工业图像缺陷检测方法，其特征在于，所述双向特征映射模块包括教师特征映射子模块和学生特征映射子模块；
8.如权利要求5所述的工业图像缺陷检测方法，其特征在于，所述S304、根据教师网络的多层融合特征、
9.如权利要求8所述的工业图像缺陷检测方法，其特征在于，所述映射后的特征表示包括：教师网络的多层融合特征映射后的特征表示和学生网络的多层特征映射后的特征表示；
10.如权利要求5所述的工业图像缺陷检测方法，其特征在于，所述S305、通过对比损失函数优化工业图像缺陷检测模型参数包括以下步骤：
...【技术特征摘要】
1.一种工业图像缺陷检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的工业图像缺陷检测方法，其特征在于，所述教师网络支持预训练cnn网络；
3.如权利要求1所述的工业图像缺陷检测方法，其特征在于，所述加载前，构建工业图像缺陷检测模型包括以下步骤：
4.如权利要求3所述的工业图像缺陷检测方法，其特征在于，所述根据工业图像训练集生成合成异常图像集具体指：工业图像训练集通过异常模拟策略生成合成异常图像集。
5.如权利要求3所述的工业图像缺陷检测方法，其特征在于，所述s30、通过合成异常图像集训练工业图像缺陷检测模型，构建对比损失函数，优化工业图像缺陷检测模型参数包括以下步骤：
6.如权利要求5所述的工业图像缺陷检测方...
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。