[發明專利]基于知識蒸餾的正樣本工業缺陷檢測方法

有效

• 申請號: 202110415805.2
• 申請日: 2021-04-19
• 公開（公告）號: CN112991330B
• 公開（公告）日: 2021-08-13
• 發明（設計）人: 和江鎮;王巖松;都衛東;方志斌;夏海峰
• 申請（專利權）人: 征圖新視（江蘇）科技股份有限公司;征圖智能科技（江蘇）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G01N21/88
• 代理公司: 常州品益專利代理事務所(普通合伙) 32401
• 代理人: 王涵江

本發明涉及一種基于知識蒸餾的正樣本工業缺陷檢測方法，包括步驟（S1）：構建工業數據集。步驟（S2）：預處理操作，預處理后的工業數據集包括正樣本集和無標注的缺陷樣本集。步驟（S3）：使用自監督對比學習在步驟（S2）形成的工業數據集上預訓練教師網絡模型；步驟（S4）：在步驟（S2）形成的正樣本集的基礎上，利用步驟（S3）訓練得到的教師網絡模型指導學生網絡模型訓練。步驟（S5）：使用步驟（S3）訓練得到的教師網絡模型以及步驟（S4）訓練得到的學生網絡模型對待測圖片進行缺陷檢測。由于學生網絡模型只學習到提取正樣本特征的能力，對缺陷區域提取的特征與教師網絡模型存在較大差異，從而可以作為缺陷判斷的依據。

技術領域

本發明涉及工業缺陷檢測技術領域，尤其是一種基于知識蒸餾的正樣本工業缺陷檢測方法。

背景技術

質量檢測是工業自動化生產中的重要一環，基于機器學習的缺陷檢測技術已經在很多工業場景廣泛替代人工肉眼檢測，包括紡織、汽車和機械制造等行業。由于工業缺陷的種類多種多樣，難以完整地進行人為劃分，傳統的機器學習算法就很難通過特征工程實現對缺陷特征的完整建模和遷移，難以具備復用性。近些年來，隨著深度學習的不斷發展，卷積神經網絡由于其強大的特征提取能力，在各種計算機視覺任務上取得了突破性的進展，一些基于深度學習的缺陷檢測算法也被廣泛應用于各種工業場景。基于深度學習的工業缺陷檢測算法不僅具有重要的學術研究價值，而且有著非常廣闊的市場應用前景。

當前的工業缺陷檢測大多是基于有監督算法，依賴于缺陷標注信息，費時費力。正樣本圖片在像素分布上可能千差萬別，但是內部有一定的特征規律，通常可以用較低維度的潛空間特征來描述，稱之為流形。而缺陷樣本的分布在潛空間上遠離正樣本流形，會表現出與正樣本不同的結果。常用的正樣本缺陷檢測大致可以分為生成模型重建方法和特征比對的方法。

生成模型通過訓練來學習近似訓練集的數據分布，自編碼器是常用的一種生成模型方法。自編碼器由編碼器和解碼器兩部分構成，編碼器將輸入樣本數據壓縮成一個低維的潛空間特征表示，然后解碼器將潛空間特征重構回原始輸入空間，通過最小化原始輸入樣本和解碼器重構樣本之間的距離，實現編碼器和解碼器的聯合學習。自編碼器用于無監督缺陷檢測時，在訓練階段嘗試學習重建無缺陷的正樣本。在測試階段，對于輸入的負樣本，無法正確重建出缺陷，因此通過對重建樣本和原始樣本進行逐像素比較可以判斷缺陷的位置，實現對缺陷的檢測和定位。

生成模型重建方法通過在圖像空間上逐像素比較重建圖與原圖的重建誤差來作為缺陷的判定依據，而特征比對方法是在特征空間上進行異常缺陷判定。由于需要在圖像空間上逐像素比較重建圖與原圖之間的重建誤差作為異常缺陷判定的依據，因此檢測效果依賴于圖片的重建質量。自編碼器的重建能力有限，當樣本復雜，圖片重建質量不佳時，就會影響缺陷的檢測效果。生成對抗網絡的重建能力雖然強，但是容易遇到模式崩潰，即生成結果多樣性不足，傾向于只生成原始數據分布的一個子集，這對于缺陷檢測而言是致命的。

特征比對的方法通常采取在ImageNet自然數據集上預訓練的模型作為提取特征的教師網絡。而工業缺陷數據和自然數據的分布差異很大，因此直接將在自然數據集上預訓練的模型遷移到工業缺陷場景，可能會遇到跨域的問題，會影響檢測能力。另外特征比對的方法對細微缺陷的檢測能力不夠強，因為特征層的微小差異，在特征層面很難區分差異。

在有監督缺陷檢測中，標簽需要覆蓋所有缺陷類型，同時負樣本數據需要盡可能地多。然而在實際的工業生產中，事先不知道可能會出現哪種類型的缺陷，而且大部分缺陷出現的頻率非常低，即使某些缺陷類型是已知的，在生產過程中隨時可能出現新的缺陷類型。因此制作一個詳盡且有標注的缺陷數據集是非常困難和耗時的。

發明內容

本發明要解決的技術問題是：提供一種基于知識蒸餾的正樣本工業缺陷檢測方法。

本發明解決其技術問題所采用的技術方案是：一種基于知識蒸餾的正樣本工業缺陷檢測方法，包括步驟（S1）：構建工業數據集；特別的，還包括：