[发明专利]基于知识蒸馏的无监督图像缺陷检测方法、装置及介质

权利要求书

1.一种基于知识蒸馏的无监督图像缺陷检测方法，其特征在于，包括：

构建教师模型，所述教师模型是利用与待检测缺陷领域无关的数据集进行训练得到，然后对学生模型提供有益于缺陷检测的知识指导；

构建学生模型，所述学生模型用于提取图像的多尺度特征图；

利用学生模型构建无缺陷图像的多尺度特征集合，得到学生特征图集合；

利用所述学生特征图集合建立像素级缺陷检测模型集合；

接收用户终端发送的图像、像素级缺陷阈值和图像级缺陷阈值；

利用所述学生模型建立所述图像的多尺度特征图，计算所述多尺度特征图与所述像素级缺陷检测模型集合的距离，得到距离矩阵，通过距离矩阵与像素级缺陷阈值和图像级缺陷阈值之间的关系，判断用户终端发送的图像是否存在缺陷。

2.根据权利要求1所述的基于知识蒸馏的无监督图像缺陷检测方法，其特征在于，所述构建教师模型的方法包括：

构建一个神经网络模型作为初始教师模型和一个与待检测缺陷领域无关的数据集；

设定损失函数为交叉熵；

在所述待检测缺陷领域无关的数据集上采用反向传播的方法训练所述初始教师模型，得到所述教师模型。

3.根据权利要求2所述的基于知识蒸馏的无监督图像缺陷检测方法，其特征在于，所述构建学生模型的方法包括：

构建初始学生模型和一个待检测缺陷领域的无缺陷数据集；

设定损失函数为公式中L表示中间网络的层数，其中l∈[1，L]，w_l为第l层网络的权重，表示教师网络和学生网络的第l层的局部误差，表示教师网络和学生网络的第l层的全局误差，α∈[0，1]为平衡全局误差和局部误差，loss_total代表的是教师网络与学生网络之间的总的知识偏差，通过这一项学生网络和老师网络被连接起来，并且通过最小化目标函数把教师网络的知识传递到学生网络，所述的和通过如下方式得到，教师网络的特征图为教师网络的池化特征为学生网络的特征图为学生网络的池化特征为定义局部误差全局误差其中，Dist(.)表示距离度量至少包括欧式距离或者余弦距离；

在待检测缺陷领域的无缺陷数据集上采用反向传播的方法训练所述的初始学生模型，并且在训练过程中，教师模型的参数保持不变，只更新初始学生模型的参数，得到所述学生模型。

4.根据权利要求3所述的基于知识蒸馏的无监督图像缺陷检测方法，其特征在于，所述构建学生特征图集合的方法包括：

将无缺陷图像输入学生模型，提取至少一个中间层的输出特征图；

将小分辨率特征图上采样到与输出特征图中最大分辨率的尺寸一致；

然后将所有的特征图沿通道方向按照像素位置拼接起来；

将拼接后的特征图沿特征通道方向将每个像素点对应的特征向量做二范数归一化处理。

5.根据权利要求4所述的基于知识蒸馏的无监督图像缺陷检测方法，其特征在于，所述建立像素级缺陷检测模型集合的方法包括：

将学生特征图集合中所有特征图谱的相同像素点对应的特征向量作为当前像素点的特征集合；

分别对每个像素点的特征集合采用混合高斯模型建立特征分布模型；

将所有像素点的特征分布模型作为像素级缺陷检测模型集合。

6.根据权利要求5所述的基于知识蒸馏的无监督图像缺陷检测方法，其特征在于，所述利用所述学生模型建立所述图像的多尺度特征图的方法包括：

利用学生模型提取用户终端发送的图像的多尺度特征图；

将所述多尺度特征图中的小分辨率特征图上采样到与最大分辨率的尺寸一致；

将所有的特征图沿特征通道方向按照像素位置拼接起来；

将拼接后的特征图沿特征通道方向将每个像素点对应的特征向量做二范数归一化处理，得到图像的多尺度特征图。