[发明专利]基于弱监督模式的缺陷粗定位方法和装置

权利要求书

1.一种基于弱监督模式的缺陷粗定位方法，其特征在于，包括以下步骤：

对获取的图像按照无缺陷图像和有缺陷图像进行分类，并按照类别对图像进行弱标注；

对输入图像进行数据增强处理和归一化处理；

将处理后的图像输入到全卷积网络中进行训练，在训练过程中，利用弱标注信息使ResNet-101网络形成注意力机制，进行弱监督训练，以对所述处理后的图像进行预测；

当预测结果为有缺陷图像时，利用训练完全的网络中的缺陷特征和输出层的权重，计算语义特征图，并根据所述语义特征图得出粗定位所需的热力图；

根据所述热力图和所述输入图像得到缺陷的粗略位置。

2.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，所述弱标注指不需要具体标注图像中缺陷的具体位置，按照类别对图像进行弱标注，包括：

将所述无缺陷图像的类别标注为0，所述有缺陷图像的类别标注为1。

3.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，对输入的图像进行数据增强处理和归一化处理，包括：

将所述输入的图像依次经过随机水平翻转、随机垂直翻转、随机裁切、随机对比度变化、随机亮度变化方式以进行数据增强处理；

将所述数据增强处理后的图像缩放至448*448的大小，完成输入图像的归一化处理。

4.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，将处理后的图像输入到全卷积网络中进行训练，在训练过程中，利用弱标注信息使ResNet-101网络形成注意力机机制，进行弱监督训练，包括：

利用标注的类型标签，对所述ResNet-101网络的前三个网络结构进行训练，识别所述输入图像的类型，从而形成注意力机制，并对所述ResNet-101网络的前两个网络结构进行训练，识别处理后的图像是否存在缺陷；

直至网络收敛，输出训练完全的网络，训练过程完成。

5.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，所述语义特征图为形状为(2，14，14)的矩阵数据，根据所述语义特征图得出粗定位所需的热力图，包括：

当预测结果为无缺陷图像时，取出所述语义特征图上的第一个维度的第一个切片；

当预测结果为有缺陷图像时，取出所述语义特征图上的第一个维度的第二个切片；

将所述第一切片或者所述第二切片使用双线性插值上采样至(448，448)分辨率；

将插值值域调整至图像显示所需的范围，得到所述粗定位所需的热力图。

6.根据权利要求1所述的基于弱监督模式的缺陷粗定位方法，其特征在于，根据所述热力图和所述输入的图像得到缺陷的粗略位置，包括：

将所述热力图和所述输入的图像叠加，得到缺陷的粗略位置。

7.根据权利要求6所述的基于弱监督模式的缺陷粗定位方法，其特征在于，所述热力图采用冷暖色进行标识，其中，

颜色越接近红色的部分，表示模型越关注该区域；

颜色越接近蓝色的部分，表示模型越不关注该区域。

8.一种基于弱监督模式的缺陷粗定位装置，其特征在于，包括：

分类标注模块，用于对获取的图像按照无缺陷图像和有缺陷图像进行分类，并按照类别对图像进行弱标注；

图像处理模块，用于对输入图像进行数据增强处理和归一化处理；

训练模块，用于将处理后的图像输入到全卷积网络中进行训练，在训练过程中，利用弱标注信息使ResNet-101网络形成注意力机制，进行弱监督训练，以对所述处理后的图像进行预测；

预测模块，用于在预测结果为有缺陷图像时，利用训练完全的网络中的缺陷特征和输出层的权重，计算语义特征图，并根据所述语义特征图得出粗定位所需的热力图，以及根据所述热力图和所述输入图像得到缺陷的粗略位置。