[发明专利]一种基于混合监督学习的表面异常检测方法

权利要求书

1.一种基于混合监督学习的表面异常检测方法，其特征在于，所述方法包括以下步骤：

S1、获取包含异常样本和正常样本的图像数据并构建对应的数据集，其中，异常样本记为正样本，正常样本记为负样本；

S2、将数据集中的所有图像数据裁剪为统一尺寸并按比例分为训练集和测试集，然后通过标注工具对所有负样本以及训练集中少量的正样本和测试集中的所有正样本进行像素级标注，得到包含部分正样本和所有负样本的标注后的像素级标签；

S3、将标注后的像素级标签的像素值进行归一化处理，并对归一化处理后的像素级标签进行八倍下采样，得到八倍下采样后的标签y_mask；然后利用膨胀函数对正样本中标注后的像素级标签进行L倍膨胀以获取粗糙的像素级标签，对粗糙的像素级标签应用距离变换算法进行处理得到加权分割损失矩阵，最后对所得到的加权分割损失矩阵进行八倍下采样，从而得到八倍下采样后的加权分割损失矩阵，其中，对粗糙的像素级标签应用距离变换算法进行处理是指计算每个正像素点与最近的负像素点之间的距离，进而加权每个像素点在正样本像素级标签中的正像素区域的影响，将相对距离值转换为损失的权重，即：

当检测到的像素点的像素值为1时，则该像素点的损失权重用公式表示为：

式(1)中，L_seg(pix)_i表示通过二元交叉熵损失计算得到的第i个正像素点的损失权重值，L(pix)_i表示通过二元交叉熵损失计算得到的第i个正像素点的损失，Ω()为缩放函数，D(pix)_i表示第i个正像素点到最近的负像素点的距离，D(pix_max)表示所有正像素点到最近负像素点的距离的最大值，其中，Ω(a)＝w_pos·a^p，w_pos与p表示超参数，p表示随着像素点不断远离中心时该像素点重要性降低的速率，w_pos表示所有正像素点的附加标量权值，正像素点是指正样本像素级标签中非0像素值的像素点，负像素点是指像素值为0的像素点；

当检测到的像素点的像素值为0时，则令该像素点的损失权重值为1；

S4、构建包括异常定位网络、自注意力网络和异常判别网络的神经网络模型，并将步骤S2中得到的训练集中的图像数据及其对应的像素级标签和步骤S3中得到的八倍下采样的加权分割损失矩阵输入所构建的神经网络模型中进行训练，得到异常检测神经网络模型；

S5、将采集到的待测图像数据输入异常检测神经网络模型中，通过异常检测神经网络模型自动判别待测图像是否存在异常并对异常区域进行定位，进而实现待测物体表面的异常检测。

2.根据权利要求1所述的基于混合监督学习的表面异常检测方法，其特征在于，所述步骤S2的具体实现方式为：首先，将数据集中获取的所有图像数据均裁剪为统一尺寸W×H，W表示图像数据的宽度，H表示图像数据的高度，并将数据集中的正样本和负样本按7:3的比例分为训练集和测试集；然后，通过标注工具labelme对所有负样本以及训练集中少量的正样本和测试集中的所有正样本进行像素级标注，即可获得包含像素级标签的输入数据y与不含像素级标签的输入数据x，其中，缺陷区域像素值标记为255，背景区域像素值标记为0。

3.根据权利要求2所述的基于混合监督学习的表面异常检测方法，其特征在于，所述步骤S3中八倍下采样的操作具体为：首先使用OpenCV中的ReflectionPad2d函数进行八倍镜像填充，然后进行步长为8，感受野为17×17的平均池化，得到八倍下采样结果。