[发明专利]一种基于多任务学习的工业缺陷检测方法

权利要求书

1.一种基于多任务学习的工业缺陷检测方法，包括以下步骤：

步骤一：采集待检测图片进行统一的预处理操作，分批输入分类模型；

步骤二：分类模型的基础网络输出图片对应的特征图像；

步骤三：在输出层，分别由两个分支处理步骤二得到的特征图像，其中，两个分支分别为全连接层和sigmoid激活层，输出图片属于ng图片的概率和图片属于各种缺陷的概率。

步骤四：综合考虑两个分支的输出值来判断待检测图片是否包含缺陷以及缺陷类别。通过ok/ng二分类分支判断是否为正常图片，如果不是正常图片，则选取multilabel分类分支输出的概率值中高于阈值的类别作为预测的缺陷类别，如果所有类别概率都低于阈值则选取概率值最高的类别作为缺陷类别。

2.根据权利要求1所述的一种基于多任务学习的工业缺陷检测方法，其特征在于：所述步骤中的分类模型采用端到端的方式进行训练，即根据预先设定损失函数计算网络预测值和期望值之间的误差，通过反传误差更新网络权重来得到最优模型，具体包括以下步骤：

步骤1)设定初始化网络参数、最大迭代次数，初始学习率等参数；

步骤2)对正常样本进行欠采样，异常样本进行过采样；

步骤3)随机采样每个批次的样本，对每个样本进行统一的预处理，将预处理后的样本作为网络的前向输入；

步骤4)计算每个样本的网络输出，并结合样本的真实值计算损失值，反向回传损失，更新网络权重；

步骤5)判断损失值是否达到目标值或是否达到最大迭代次数，若达到则保存模型并计算个类别分类阈值；若未达到则返回执行步骤3)。

3.根据权利要求2所述的一种基于多任务学习的工业缺陷检测方法，其特征在于：选取FL(pt)损失函数为作为两个分类任务的损失函数，FL(pt)是在标准交叉熵损失基础上修改得到的，适用解决于工业缺陷检测场景下的样本不均衡问题，

FL(p_t)＝-(1-p_t)^γlog(p_t)

其中，(1-p_t)^γ相当于交叉熵损失的调制因子，γ≥0为focusing超参数，(p_t)为模型的预测概率，具体定义如下：

其中，y∈{-1，1}为输入图片的真实类别，p∈[0，1]为模型预测值，表示输入图片属于该类别(y＝1)的概率。

4.根据权利要求2所述的一种基于多任务学习的工业缺陷检测方法，其特征在于，整体的损失函数定义为：两个任务的loss的加权和，权重都为1，具体公式如下：

L＝L1+L2；

其中，L1和L2分别为task1和task2的FL(pt)损失函数值。