[发明专利]一种基于可微分神经网络架构搜索的缺陷检测方法及系统

权利要求书

1.一种基于可微分神经网络架构搜索的缺陷检测方法，其特征在于，包括：

获取待检测样本和正常背景样本；

将所述待检测样本和所述正常背景样本输入缺陷检测模型中，得到所述待检测样本的缺陷检测结果；

其中，所述缺陷检测模型包括依次连接的训练好的骨干网络、正常样本参考模块、多尺度融合模块和分割网络；

所述训练好的骨干网络是采用数据集对骨干网络进行训练得到的；所述骨干网络是采用可微分神经网络架构进行搜索得到的；所述训练好的骨干网络用于输出所述待检测样本的多尺度特征图和所述正常背景样本的多尺度特征图；

所述正常样本参考模块用于计算所述待检测样本的多尺度特征图中的每一个像素点与最优匹配点之间的距离，并输出由所有像素点对应的距离构成的多尺度对比参考图；所述最优匹配点为所述正常背景样本的多尺度特征图中与所述待检测样本的多尺度特征图中的像素点对应的像素点；

所述多尺度融合模块用于将所述待检测样本的多尺度特征图进行融合，得到所述待检测样本的融合特征图；

所述分割网络用于基于所述多尺度对比参考图对所述待检测样本的融合特征图进行分割，并将分割结果确定为所述待检测样本的缺陷检测结果。

2.根据权利要求1所述的一种基于可微分神经网络架构搜索的缺陷检测方法，其特征在于，所述训练好的骨干网络的确定方法为：

确定骨干网络；所述骨干网络包括多通道神经网络结构搜索空间和节点间搜索空间；

在所述骨干网络的输出连接多尺度融合分割头；所述多尺度融合分割头是采用上采样串联特征图对应像素相加法确定的；

将所述数据集输入所述骨干网络，所述多尺度融合分割头对所述骨干网络输出的所述数据集的多尺度特征图进行融合，并对所述数据集的融合特征图进行分割，得到分割预测结果；所述数据集包括训练集和验证集；

基于所述分割预测结果，采用梯度下降法对所述骨干网络中的参数进行训练，得到骨干训练网络；

采用最大保留法和固定末尾节点的最优路径保留法对所述骨干训练网络进行离散化，得到离散化网络，并将所述散化网络确定为训练好的骨干网络。

3.根据权利要求2所述的一种基于可微分神经网络架构搜索的缺陷检测方法，其特征在于，所述多通道神经网络结构搜索空间包括M条串连通道；每条所述串联通道均包括多个串联而成的通道单元，每个所述通道单元由多个节点依次连接而成，每个所述通道单元的末尾节点以跳跃的方式融合该通道单元除末尾节点之外的节点；从第一条串连通道到第M条串连通道，每条串连通道中的节点依次减少一个；所述第一条串连通道用于输入图像；相邻所述串连通道之间以上采样和下采样的方式连接；每条所述串连通道输出的特征图的尺度不同。

4.根据权利要求2所述的一种基于可微分神经网络架构搜索的缺陷检测方法，其特征在于，所述节点间搜索空间包括两个节点之间的不变尺度连接、下采样连接以及上采样连接；所述不变尺度连接为两个节点之间通过候选变化操作连接；所述下采样连接为两个节点之间依次通过候选变化操作、分辨率变化操作和尺度变换操作连接；所述上采样连接与所述下采样连接相同；所述候选变化操作包括跳跃直连、第一卷积、空洞卷积、可变形卷积和可分离卷积；所述分辨率变化操作为双边线性插值；所述尺度变换操作为第二卷积。

5.根据权利要求1所述的一种基于可微分神经网络架构搜索的缺陷检测方法，其特征在于，所述正常样本参考模块采用的机制为基于语义嵌入向量的正常样本参考机制。

6.根据权利要求1所述的一种基于可微分神经网络架构搜索的缺陷检测方法，所述多尺度融合模块包括多个尺度融合单元和元素相加单元；

每个所述融合单元用于融合所述待检测样本的多尺度特征图中的两个不同尺度的特征图，得到融合子图；每个所述融合单元对应的两个不同尺度的特征图的尺度差的倍数相同；

所述元素相加单元用于将所有的融合单元输出的融合子图相加，得到所述待检测样本的融合特征图。