[发明专利]一种增强神经网络特征多样性的缺陷检测方法及系统

权利要求书

1.一种增强神经网络特征多样性的缺陷检测方法，其特征在于，所述方法包括：

S1：将待检测图像输入第一神经网络特征提取模块和第二神经网络提取模块，以提取不同维度的图像缺陷特征，其中，所述第一种神经网络特征提取模块由基于卷积核组中的一种或多种卷积核构建，所述第二种神经网络特征提取模块由基于卷积核组中的另外一种或多种卷积核构建，所述卷积核组包括对角卷积核、水平卷积核、竖直卷积核和普通卷积核；

S2：采用特征差异性损失函数计算所述第一种神经网络特征提取模块和第二种神经网络特征提取模块提取到的图像缺陷特征之间的差异性损失，其中，所述差异性损失函数与所述两种神经网络特征提取模块的输出结果的差的平方或范数或散度成反比；

S3：基于分割损失和所述差异性损失的加权构建训练函数；

S4：采用所述训练函数对所述第一种神经网络特征提取模块、第二种神经网络提取模块、以及第一种神经网络特征提取模块和第二种神经网络提取模块提取的图像缺陷特征的融合解码过程进行训练，直至收敛，得到缺陷图像。

2.根据权利要求1所述的缺陷检测方法，其特征在于，所述第一种神经网络特征提取模块包括多个边缘感知子模块，其中，相邻两边缘感知子模块之间设有最大池化层，对前一边缘感知子模块的输出结果进行降维。

3.根据权利要求2所述的缺陷检测方法，其特征在于，当所述边缘感知子模块包括一种卷积核时，所述边缘感知子模块包括多个相连的第一卷积单元，每个第一卷积单元依次包括卷积核、批归一化层以及激活层；当所述边缘感知子模块包括多种卷积核时，所述边缘感知子模块包括多个通道，每个通道包括一种卷积核对应的第一卷积单元。

4.根据权利要求1所述的缺陷检测方法，其特征在于，所述第二种神经网络特征提取模块包括多个组合卷积子模块，其中，相邻两组合卷积子模块之间设有最大池化层，以对前一组合卷积子模块的输出结果进行降维。

5.根据权利要求4所述的缺陷检测方法，其特征在于，当所述组合卷积子模块包括一种卷积核时，所述组合卷积子模块包括多个相连的第二卷积单元，每个第二卷积单元依次包括卷积核、批归一化层以及激活层；当所述组合卷积子模块包括多种卷积核时，所述组合卷积子模块包括多个通道，每个通道包括一种卷积核对应的第二卷积单元。

6.根据权利要求1所述的缺陷检测方法，其特征在于，所述特征差异性损失函数loss_diff的计算式为：

其中，N为一个批次中输入网络中的图像个数，b为输入网络中的第b个图像，α为调节参数，F₁为第一种神经网络特征提取模块输出的缺陷特征提取结果，F₂为第二种神经网络特征提取模块输出的缺陷特征提取结果；

或者为：

其中，|| ||_F为F范数，β为调节参数，N为一个批次中输入网络中的图像个数，b为输入网络中的第b个图像，F₁为第一种神经网络特征提取模块输出的缺陷特征提取结果，F₂为第二种神经网络特征提取模块输出的缺陷特征提取结果；

或者为：

其中，KLD为KL散度；γ为调节参数。

7.根据权利要求1所述的缺陷检测方法，其特征在于，所述训练函数loss为：

loss＝λloss_diff+νloss_seg (4)

其中，loss_diff为特征差异性损失函数，loss_seg为交叉熵损失函数对应的分割损失，λ和ν为权重系数，y_i为图像x_i真实的标签图像，1预测为缺陷区域，0预测为非缺陷区域，表示模型对样本x_i预测的结果，其取值在(0，1)范围内。

8.根据权利要求7所述的缺陷检测方法，其特征在于，采用Adam优化算法对所述训练函数进行优化，以使模型收敛。

9.一种增强神经网络特征多样性的缺陷检测系统，其特征在于，所述系统包括：

图像缺陷特征提取模块，用于将待检测图像输入第一神经网络特征提取模块和第二神经网络提取模块，以提取不同维度的图像缺陷特征，其中，所述第一种神经网络特征提取模块由基于卷积核组中的一种或多种卷积核构建，所述第二种神经网络特征提取模块由基于卷积核组中的另外一种或多种卷积核构建，所述卷积核组包括对角卷积核、水平卷积核、竖直卷积核和普通卷积核；

差异性损失计算模块，用于采用特征差异性损失函数计算所述第一种神经网络特征提取模块和第二种神经网络特征提取模块的提取到的图像缺陷特征之间的差异性损失，其中，所述差异性损失函数与两种神经网络特征提取模块的输出结果的差的平方或范数或散度成反比；

训练函数构建模块：用于基于分割损失和所述差异性损失的加权构建训练函数；

训练生成模块：用于采用所述训练函数对所述第一种神经网络特征提取模块、第二种神经网络特征提取模块、以及第一种神经网络特征提取模块和第二种神经网络提取模块提取的图像缺陷特征的融合解码过程进行训练，直至收敛，得到缺陷图像。