[发明专利]一种基于知识蒸馏的工业图像缺陷检测方法

权利要求书

1.一种基于知识蒸馏的工业图像缺陷检测方法，其特征在于：包括如下步骤：

S1、首先给出训练的不包含缺陷的正常图像集合{I₁，I₂，...，I_n}，对输入图像集合中的每张图片做预处理；构建教师网络和学生网络，训练过程中输入图像I_k，教师网络和学生网络各输出三个不同尺度的特征图，使用教师网络和学生网络特征图之间的差异作为损失函数，训练过程使用SGD方法，对学生网络的参数进行更新，教师网络的参数保持不变，在损失不再下降的情况下停止训练，得到训练后的学生网络；

S2、对输入待检测图像进行预处理，将预处理后的图像同时输入到教师网络和学生网络，分别得到三个不同尺度的特征图，教师网络和学生网络不同尺度的特征图之间的差异记做异常分数标准：

最终的异常分数计算如下：

其中上采样的方式采用双线性插值，将各个特征图上采样到输入图像尺寸大小，待检测图像上越异常的地方，得分越高，通过设定阈值thresh，将大于该thresh地方的图像区域认为是检测图像上的异常区域。

2.根据权利要求1所述的一种基于知识蒸馏的工业图像缺陷检测方法，其特征在于：I_k∈R^{wxh xc}，w为输入图像宽度，h为输入图像高度，c为输入图像通道数；

教师网络输出三个不同尺度的特征图为

学生网络输出三个不同尺度的特征图为

3.根据权利要求1所述的一种基于知识蒸馏的工业图像缺陷检测方法，其特征在于：所述损失函数定义如下：

即为每个特征尺度对应位置(i,j)上的距离之和。

4.根据权利要求1所述的一种基于知识蒸馏的工业图像缺陷检测方法，其特征在于：所述预处理为直方图均衡化处理，用于消除拍摄过程中造成的图像灰度不均匀的影响。

5.根据权利要求1所述的一种基于知识蒸馏的工业图像缺陷检测方法，其特征在于：所述教师网络为在imagenet上预训练的深度卷积网络，所述学生网络和教师网络具有相同的结构，学生网络的参数不使用预训练网络中的参数，而是进行随机初始化。