[發明專利]一種基于多任務學習的工業缺陷檢測方法

在審

• 申請號: 202110484644.2
• 申請日: 2021-04-30
• 公開（公告）號: CN113822842A
• 公開（公告）日: 2021-12-21
• 發明（設計）人: 李煜;羅長志
• 申請（專利權）人: 聚時科技（上海）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湖北天領艾匹律師事務所 42252
• 代理人: 胡振宇

1.一種基于多任務學習的工業缺陷檢測方法，包括以下步驟：

步驟一：采集待檢測圖片進行統一的預處理操作，分批輸入分類模型；

步驟二：分類模型的基礎網絡輸出圖片對應的特征圖像；

步驟三：在輸出層，分別由兩個分支處理步驟二得到的特征圖像，其中，兩個分支分別為全連接層和sigmoid激活層，輸出圖片屬于ng圖片的概率和圖片屬于各種缺陷的概率。

步驟四：綜合考慮兩個分支的輸出值來判斷待檢測圖片是否包含缺陷以及缺陷類別。通過ok/ng二分類分支判斷是否為正常圖片，如果不是正常圖片，則選取multilabel分類分支輸出的概率值中高于閾值的類別作為預測的缺陷類別，如果所有類別概率都低于閾值則選取概率值最高的類別作為缺陷類別。

2.根據權利要求1所述的一種基于多任務學習的工業缺陷檢測方法，其特征在于：所述步驟中的分類模型采用端到端的方式進行訓練，即根據預先設定損失函數計算網絡預測值和期望值之間的誤差，通過反傳誤差更新網絡權重來得到最優模型，具體包括以下步驟：

步驟1)設定初始化網絡參數、最大迭代次數，初始學習率等參數；

步驟2)對正常樣本進行欠采樣，異常樣本進行過采樣；

步驟3)隨機采樣每個批次的樣本，對每個樣本進行統一的預處理，將預處理后的樣本作為網絡的前向輸入；

步驟4)計算每個樣本的網絡輸出，并結合樣本的真實值計算損失值，反向回傳損失，更新網絡權重；

步驟5)判斷損失值是否達到目標值或是否達到最大迭代次數，若達到則保存模型并計算個類別分類閾值；若未達到則返回執行步驟3)。

3.根據權利要求2所述的一種基于多任務學習的工業缺陷檢測方法，其特征在于：選取FL(pt)損失函數為作為兩個分類任務的損失函數，FL(pt)是在標準交叉熵損失基礎上修改得到的，適用解決于工業缺陷檢測場景下的樣本不均衡問題，

FL(p_t)＝-(1-p_t)^γlog(p_t)

其中，(1-p_t)^γ相當于交叉熵損失的調制因子，γ≥0為focusing超參數，(p_t)為模型的預測概率，具體定義如下：

其中，y∈{-1，1}為輸入圖片的真實類別，p∈[0，1]為模型預測值，表示輸入圖片屬于該類別(y＝1)的概率。

4.根據權利要求2所述的一種基于多任務學習的工業缺陷檢測方法，其特征在于，整體的損失函數定義為：兩個任務的loss的加權和，權重都為1，具體公式如下：

L＝L1+L2；

其中，L1和L2分別為task1和task2的FL(pt)損失函數值。