[發明專利]一種基于U型學生網絡的知識蒸餾異常檢測方法

在審

• 申請號: 202211422601.2
• 申請日: 2022-11-15
• 公開（公告）號: CN115471645A
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 江結林;顏佩漪;朱加樂
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06V10/20
• 分類號: G06V10/20;G06V10/774;G06V10/778;G06V10/80
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

1.一種基于U型學生網絡的知識蒸餾異常檢測方法，其特征在于，包括以下步驟：

S1、采集原始圖片并進行預處理，將預處理后的圖像劃分為訓練集D與測試集Z；

S2、搭建基于非對稱多尺度知識蒸餾的異常檢測模型；所述異常檢測模型包括教師網絡和學生網絡；

S3、將步驟S1中的訓練集D導入步驟S2中的異常檢測模型進行訓練；生成特征圖，包括學生網絡編碼器生成的特征圖和學生網絡解碼器生成的特征圖；

S4、將步驟S3中編碼器生成的特征圖與解碼器生成的特征圖進行融合得到特征圖F；

S5、根據步驟S3中得到的特征圖計算步驟S4融合特征圖的總損失；

S6、利用自適應矩估計優化器對步驟S2中的異常檢測模型進行反向迭代優化，更新整個模型中的權重和損失，損失記為loss，loss={Loss₁, Loss₂,…, Loss_l}，當損失取loss中最小值時，得到最優模型，保存最優模型的權重參數；

S7、將步驟S6得到的最優模型的權重參數載入步驟S2中異常檢測模型中進行更新；

S8、將步驟S1中得到的測試集Z輸入更新后的異常檢測模型中進行訓練，包括學生網絡編碼器生成的特征圖和學生網絡解碼器生成的特征圖；

S9、將步驟S8中編碼器生成的特征圖與解碼器生成的特征圖進行融合得到特征圖F_k；

S10、根據步驟S8得到的特征圖和特征圖F_k計算最終異常特征圖像，根據異常特征圖中最大的值來判定圖片是否異常并定位異常位置。

2.根據權利要求1所述一種基于U型學生網絡的知識蒸餾異常檢測方法，其特征在于，步驟S1中訓練集中只包含無缺陷圖像，測試集中包含有全部的缺陷圖像和部分無缺陷圖像。

3.根據權利要求1所述一種基于U型學生網絡的知識蒸餾異常檢測方法，其特征在于，步驟S3具體指：將步驟S1中的訓練集D導入步驟S2中的異常檢測模型進行訓練，其中，教師網絡得到三張不同尺度的特征圖，學生網絡中編碼器生成與教師網絡對應大小的特征圖片，學生網絡中的解碼器生成三張特征圖片；其中I_k表示訓練集D中的第k張圖片，并且k的取值為1到n；表示教師網絡提取的特征圖，l表示提取特征圖的索引；表示學生網絡的編碼器提取的特征；表示學生網絡的解碼器提取的特征。

4.根據權利要求3所述一種基于U型學生網絡的知識蒸餾異常檢測方法，其特征在于，步驟S4具體指：將步驟S3中編碼器生成的特定尺寸的特征圖與解碼器生成特定尺寸的特征圖進行融合得到特征圖F，其中表示學生網絡編碼器中第二層網絡輸出的特征圖，表示學生網絡解碼器中第二層網絡輸出的特征圖。