[发明专利]基于迁移学习的无监督缺陷检测方法和系统、存储介质

说明书

基于迁移学习的无监督缺陷检测方法/系统、存储介质，通过将待检测图像输入缺陷检测模型获得其特征描述图，将该特征描述图与预先保存的正常样本图像的核心特征图比较以确定待检测图像的缺陷区域；缺陷检测模型的训练包括：将正常样本图像分批作为当前样本图像，将各当前样本图像分别输入初始化的缺陷检测模型得到各当前样本图像的特征描述图，对当前样本图像的特征描述图进行特征压缩处理后，与上一批次的融合特征图进行特征融合作为新的融合特征图，将最后一个批次获得的融合特征图作为正常样本图像的核心特征图，以核心特征图引导缺陷检测模型训练。由于训练过程中无需缺陷图像参与，相比有监督的检测方式更易于在工业上进行实际应用。

技术领域

本发明涉及缺陷检测技术领域，具体涉及基于迁移学习的无监督缺陷检测方法和系统、存储介质。

背景技术

现有技术中，在采用机器学习的方法对工业产品进行缺陷检测时，大多需要获取缺陷图像和正常图像，作为训练样本对机器学习模型进行训练，使机器学习模型学习到缺陷图像和正常图像的区别，实现对缺陷的检测、分类等，其中缺陷图像指有缺陷产品的图像，正常图像指正常产品的图像。这种检测方式称为有监督的检测方式。在众多真实的工业生产场景中，有缺陷产品的工业图像数量较少，正常产品的图像占比较大，导致正负样本比例悬殊；并且缺陷呈现的类型复杂多样，且具有不可预知性，在获取方式上，获得大量正常产品的图像是非常容易的，而收集全部缺陷类型的缺陷图像，则代价昂贵，生产企业无法承受。因此在工业生产上的缺陷检测场景中，有监督的检测方式较难进行实际应用。

发明内容

本发明主要解决的技术问题是现实中缺陷图像数量少，导致有监督的缺陷检测方式难以进行实际应用。

根据第一方面，一种实施例中提供一种基于迁移学习的无监督缺陷检测方法，包括：

获取被测物体的待检测图像；

将所述待检测图像输入训练好的缺陷检测模型以得到所述待检测图像的特征描述图；

将所述待检测图像的特征描述图与预先保存的正常样本图像的核心特征图进行比较，根据两者的差异确定所述待检测图像的缺陷区域；

其中所述缺陷检测模型按以下步骤训练得到：

获取由正常样本图像组成的训练样本集；

将所述训练样本集的正常样本图像按批次作为当前样本图像，将各当前样本图像分别输入设置了初始参数的所述缺陷检测模型以得到各当前样本图像的特征描述图，对各当前样本图像的特征描述图进行特征压缩处理得到压缩特征图，并与上一批次获得的融合特征图进行特征融合作为新的融合特征图，保存最后一个批次获得的融合特征图作为正常样本图像的核心特征图，其中第一批次正常样本图像的压缩特征图与0值图像进行特征融合，所述核心特征图与特征描述图的分辨率相同；

使用所述训练样本集对所述缺陷检测模型进行训练，获得最终的模型参数，训练目标为正常样本图像的特征描述图与所述核心特征图的相异处的差异增大、相似处的差异减小。

一种实施例中，所述缺陷检测模型包括特征提取模块和特征描述模块；

所述将所述待检测图像输入训练好的缺陷检测模型以得到所述待检测图像的特征描述图，包括：

将所述待检测图像输入所述特征提取模块以得到所述待检测图像的n层特征子图，将后n-1层特征子图上采样至与第1层特征子图相同的分辨率，然后将第1层特征子图与上采样后的其他特征子图进行通道拼接得到初始特征图，其中n≥2；

将该初始特征图输入所述特征描述模块以增强对该初始特征图的位置信息的表示能力，并提高特征描述能力，得到所述待检测图像的特征描述图；

所述将当前样本图像输入设置了初始参数的所述缺陷检测模型以得到当前样本图像的特征描述图，包括：