【技术实现步骤摘要】
本专利技术属于缺陷检测领域，涉及一种缺陷检测模型构建方法、缺陷检测方法及相关装置。
技术介绍
1、缺陷检测作为工业质量控制的核心环节，其重要性不言而喻。随着智能制造和工业互联网的飞速发展，各行业对缺陷检测的精度、速度和智能化水平提出了更高要求。在3c(计算机、通信及消费电子)领域，微小而复杂的组件缺陷检测直接关系到产品的可靠性和用户体验；机械制造中，高精度的零部件检测是确保机器性能与寿命的关键；汽车行业则面临着车身、涂装及零部件等多方面的检测挑战；家电产品的外观与功能缺陷检测关乎消费者满意度；而在航空航天领域，任何细微的缺陷都可能引发严重的安全事故，因此其检测标准更为严苛。
2、传统的人工检查方式受限于主观判断、疲劳效应及效率低下等问题，已难以满足现代工业生产的需求。基于深度学习的自动化检测方法应运而生，通过模拟人脑神经网络的学习过程，实现了对图像、声音等多维度信息的智能分析，显著提高了缺陷检测的准确性和效率。然而，有监督学习方法高度依赖于大量标注好的缺陷样本，这些样本的获取往往需要耗费大量的人力、物力和时间，且对于某些罕见或新型缺陷类型，可能根本无从获取足够的样本进行训练。
3、为了克服有监督学习的局限性，无监督缺陷检测技术逐渐成为研究热点。其中，基于知识蒸馏的教师-学生网络模型展现出了巨大的潜力。这种模型通过构建两个结构相似但容量或性能有所差异的网络，即教师支路和学生支路，利用它们在学习过程中的差异来捕捉异常信息，从而实现缺陷的检测。教师支路通常是一个预训练好的、性能较强的模型，负责提取输入数据的深层
技术实现思路
1、本专利技术的目的在于克服上述现有技术的缺点，提供一种缺陷检测模型构建方法、缺陷检测方法及相关装置。
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、本专利技术第一方面，提供一种缺陷检测模型构建方法，包括：
4、获取初始训练图像，并将初始训练图像添加模拟异常得到模拟异常训练图像；
5、根据初始训练图像和模拟异常训练图像训练预设的缺陷识别模型，得到缺陷位置信息和掩码提示信息；
6、根据缺陷位置信息和掩码提示信息训练预设的缺陷分割模型；
7、融合训练后的缺陷识别模型和缺陷分割模型，得到缺陷检测模型；
8、其中，缺陷识别模型包括教师网络支路、学生网络支路和自编码器支路；教师网络支路采用固定网络权重，学生网络支路和自编码器支路采用可训练网络权重；教师网络支路和学生网络支路的输出差值为缺陷位置信息，学生网络支路和自编码器支路的输出差值为掩码提示信息。
9、可选的，所述教师网络支路和学生网络支路采用相同的网络结构，且均为编码器结构；自编码器支路的网络结构为编码器-解码器结构。
10、可选的，所述将初始训练图像添加模拟异常得到模拟异常训练图像包括：通过下式采用异常发生器对初始训练图像添加模拟异常得到模拟异常训练图像：
11、
12、其中，ia为模拟异常训练图像，i为初始训练图像，m为模拟异常掩膜，为m的逆，⊙为逐像素相乘，α为混合中的不透明度参数，a为附加纹理图像。
13、可选的，所述根据初始训练图像和模拟异常训练图像训练预设的缺陷识别模型时，教师网络支路-学生网络支路的训练损失函数为：
14、
15、
16、其中，lst表示学生网络支路和教师网络支路之间的损失函数；lhard表示困难样本损失函数；h、w和c分别表示输出特征图的高度、宽度和通道数；s(p)c表示学生网络支路的输出；c表示通道数；lstae表示自编码器网络支路和学生网络支路之间的损失函数；s′(i)c表示学生网络支路附加的输出；a(i)c表示自编码器网络支路的输出；
17、教师网络支路-自编码器支路的训练损失函数为：
18、
19、其中，lae表示自编码器网络支路和教师网络支路之间的损失函数；t(i)c表示教师网络支路的输出。
20、可选的，所述缺陷分割模型通过在预训练的sam模型的基础上引入一个可训练的支路，并修改预训练的sam模型的transformer模块中的自关注机制得到；且根据缺陷位置信息和掩码提示信息训练预设的缺陷分割模型时，预训练的sam模型参数固定；
21、其中，修改后的自关注机制中的查询q、键k和值v的生成过程为：
22、q＝x·wq1·wq2+x·wq
23、k＝x·wk
24、v＝x·wv1·wv2+x·wv
25、其中，x表示输入特征；wq1表示基于可训练的支路的新添加查询矩阵的第一部分；wq2表示基于可训练的支路的新添加查询矩阵的第二部分；wq表示sam模型的原始查询矩阵；wk表示sam模型的原始键矩阵；wv1表示基于可训练的支路的新添加值矩阵的第一部分；wv2表示基于可训练的支路的新添加值矩阵的第二部分；wv表示sam模型的原始值矩阵。
26、本专利技术第二方面，提供一种缺陷检测模型构建系统，包括：
27、图像处理模块，用于获取初始训练图像，并将初始训练图像添加模拟异常得到模拟异常训练图像；
28、识别模型训练模块，用于根据初始训练图像和模拟异常训练图像训练预设的缺陷识别模型，得到缺陷位置信息和掩码提示信息；
29、分割模型训练模块，用于根据缺陷位置信息和掩码提示信息训练预设的缺陷分割模型；
30、模型融合模块，用于融合训练后的缺陷识别模型和缺陷分割模型，得到缺陷检测模型；
31、其中，缺陷识别模型包括教师网络支路、学生网络支路和自编码器支路；教师网络支路采用固定网络权重，学生网络支路和自编码器支路采用可训练网络权重；教师网络支路和学生网络支路的输出差值为缺陷位置信息，学生网络支路和自编码器支路的输出差值为掩码提示信息。
32、本专利技术第三方面，提供一种缺陷检测方法，包括：
33、获取待检测样本图像；
34、将待检测样本图像输入至预设的缺陷检测模型中，得到待检测样本的缺陷检测结果；其中，预设的缺陷检测模型采用上述的缺陷检测模型构建方法构建得到。
35、本专利技术第四方面，提供一种缺陷检测系统，包括：
36、样本图像获取模块，用于获取待检测样本图像；
37、缺陷检测模块，用于将待检测样本图像输入至预设的缺陷检测模型中，得到待检测样本的缺陷检测结果；其中，预设的缺陷检测模型采用上述的缺陷检测模型构建方法构建得到。
38、本专利技术第五方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上本文档来自技高网...
【技术保护点】
1.一种缺陷检测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述教师网络支路和学生网络支路采用相同的网络结构，且均为编码器结构；自编码器支路的网络结构为编码器-解码器结构。
3.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述将初始训练图像添加模拟异常得到模拟异常训练图像包括：通过下式采用异常发生器对初始训练图像添加模拟异常得到模拟异常训练图像：
4.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述根据初始训练图像和模拟异常训练图像训练预设的缺陷识别模型时，教师网络支路-学生网络支路的训练损失函数为：
5.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述缺陷分割模型通过在预训练的SAM模型的基础上引入一个可训练的支路，并修改预训练的SAM模型的Transformer模块中的自关注机制得到；且根据缺陷位置信息和掩码提示信息训练预设的缺陷分割模型时，预训练的SAM模型参数固定；
6.一种缺陷检测模型构建系统，其特征在于，包括：
7.一种
8.一种缺陷检测系统，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述缺陷检测模型构建方法的步骤，或实现如权利要求7所述缺陷检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述缺陷检测模型构建方法的步骤，或实现如权利要求7所述缺陷检测方法的步骤。
...【技术特征摘要】
1.一种缺陷检测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述教师网络支路和学生网络支路采用相同的网络结构，且均为编码器结构；自编码器支路的网络结构为编码器-解码器结构。
3.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述将初始训练图像添加模拟异常得到模拟异常训练图像包括：通过下式采用异常发生器对初始训练图像添加模拟异常得到模拟异常训练图像：
4.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述根据初始训练图像和模拟异常训练图像训练预设的缺陷识别模型时，教师网络支路-学生网络支路的训练损失函数为：
5.根据权利要求1所述的缺陷检测模型构建方法，其特征在于，所述缺陷分割模型通过在预训练的sam模型的基础上引入一个可训练的支路，并修改预训练的sam模型的...
【专利技术属性】
技术研发人员：曲世辰，陶显，屈震，
申请(专利权)人：中国科学院自动化研究所，
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。