[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

说明书

本发明公开了一种基于知识蒸馏的无监督图像缺陷检测方法、装置及介质，方法包括：构建教师模型，利用与待检测缺陷领域无关的数据集进行训练，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，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；计算多尺度特征图与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。本发明只需要无缺陷的样本即可解决缺陷样本少和无缺陷样本的问题。

技术领域

本发明涉及图像处理、机器学习技术领域，尤其涉及一种基于知识蒸馏的无监督图像缺陷检测方法、装置及介质。

背景技术

工业互联网是新一代信息通信技术与工业经济深度融合的全新工业生态、关键基础设施和新型应用模式。它以网络为基础、平台为中枢、数据为要素、安全为保障，通过对人、机、物全面连接，变革传统制造模式、生产组织方式和产业形态，构建起全要素、全产业链、全价值链、全面连接的新型工业生产制造和服务体系，对支撑制造强国和网络强国建设，提升产业链现代化水平，推动经济高质量发展和构建新发展格局，都具有十分重要的意义。

在工业互联网中，产品的预防性检测是至关重要的一个环节，预防性检测能够及时发现产品产生的缺陷以及缺陷的变化趋势，并结合现场的实时工艺参数来优化生产工艺，从而降低次品率、降低生产成本和提高公司的利润。产品的预防性检测主要分为三个阶段：实时工艺参数采集、产品缺陷检测以及工艺的闭环优化。

其中，产品缺陷检测阶段，行业内的通常做法是采用专业人员目检或通过基于监督学习的缺陷检测模型检测的方式。

采用人工目检的方式存在的一下问题：(1)需要培训专业的目检人员；(2)同时人工目检有一定主观性，目检人员的判断能力会受到自身的情绪和身体状况等因素的影响；(3)人工目检是事后处理，对实时整个工艺流程优化没有正向影响。

目前基于监督学习的缺陷检测模型检测存在以下问题：(1)学习过程繁琐；(2)无法在缺陷样本少和无缺陷样本的情况下学习。

发明内容

本发明提供了一种基于知识蒸馏的无监督图像缺陷检测方法、装置及介质，以解决上述技术问题。

本发明采用的技术方案是：提供一种基于知识蒸馏的无监督图像缺陷检测方法，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。

进一步的，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；之所以构建待检测领域无关的数据集是因为，一般收集本领域的缺陷样本需要大量的人力物力，而本实施例使用其他领域已有的大量带标签的样本作为训练样本，从而大大节省了人力物力。

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。