[发明专利]基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法

权利要求书

1.一种基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法，其特征在于，包括以下步骤：

11)工业生产钢材图片的获取和预处理：获取有标签、无标签的工业生产钢材图片并进行预处理；

12)上游钢材表面缺陷表征学习模型的构建：构建上游钢材表面缺陷表征学习模型；

13)上游钢材表面缺陷表征学习模型的训练：利用预处理后的无标签工业生产钢材图片对上游钢材表面缺陷表征学习模型进行训练；

14)下游钢材表面缺陷检测器的构建：基于利用大量无标签图片进行表征训练得到的骨干征提取网络，进行下游钢材表面缺陷检测器的构建；

15)下游钢材表面缺陷检测器的训练：利用预处理后的有标签工业生产钢材图片对下游钢材表面缺陷检测器进行训练；

16)待检测工业生产钢材图片的获取：获取待检测工业生产钢材图片，并进行预处理；

17)工业生产钢材图片缺陷检测结果的获得：将预处理后的待检测工业生产钢材图片输入训练后的下游钢材表面缺陷检测器，获得工业生产钢材图片的缺陷检测结果。

2.根据权利要求1所述的基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法，其特征在于，所述工业生产钢材图片的获取和预处理包括以下步骤：

21)获取工业生产钢材图片；

22)对工业生产钢材图片进行数据增强处理：

首先将工业生产钢材图片全部调整为224x224的大小，然后应用随机裁剪和随机水平翻转；再采用强度为0.4的亮度色彩增强、0.4的对比度增强、0.1的色调增强、应用概率为0.8，以及应用概率为0.2的随机灰度变换；

23)对数据增强后的工业生产钢材图片进行高斯模糊处理。

3.根据权利要求1所述的基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法，其特征在于，所述上游钢材表面缺陷表征学习模型的构建包括以下步骤：

31)设定SimSiam中骨干特征提取网络ResNet-50：

去掉原SimSiam中骨干特征提取网络ResNet-50中的全局池化层，将得到的特征图保留，继续传入对比学习框架中后续的非线性映射模块；利用去掉池化层的编码器f对原始不带标记的钢材表面缺陷数据进行特征提取，输出为特征图，表示为Y；

32)使用1x1卷积结构代替原有的MLP，利用卷积结构对特征图进行映射，采用具有匹配机制的EMD距离对各类钢材缺陷进行相似性的度量。