[发明专利]基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法、系统及存储介质

权利要求书

1.基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法，其特征在于，包括下述步骤：

获取瓦楞纸箱印刷缺的被测目标图像，基于被测目标图像构建样本数据集，

构建知识蒸馏网络模型，所述知识蒸馏网络模型包括教师网络模型和学生网络模型；

对所述教师网络模型和所述学生网络模型分别进行训练，所述教师网络模型的训练具体为：将样本数据集输入到主干网络中获取样本数据集的特征图，在特征图的每一点上面进行回归操作，进行网络训练获取教师网络模型；所述学生网络模型的训练具体为：通过训练后的教师网络模型进行诱导训练，将低分辨率图像输入到主干网络中获取输入图像的特征图，在特征图的每一点上面进行回归操作，将教师网络模型的预测输出作为标签，将学生网络模型的预测输出作为软标签，将真实标签作为硬标签，并计算学生网络模型的损失，更新网络参数，实际应用仅使用学生网络模型；

利用训练好的知识蒸馏网络模型对高速瓦楞纸箱印刷缺陷进行检测。

2.根据权利要求1所述基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法，其特征在于，所述教师网络模型的训练过程表示如下：

G_IT＝F_T(I_h,heads₁)

其中，F_T(·)为一个神经网络函数，表示教师网络模型，heads₁为网络预测的结果参数，I_h表示训练教师网络模型输入图像。

3.根据权利要求1所述基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法，其特征在于，所述低分辨率图像通过下述方式获得：

把得到大小为n_ch×h×w的目标物图像I_h再进行一次下采样分割成4n_ch×h/2×w/2的子图像，得到低分辨率图像I_l。

4.根据权利要求1所述基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法，其特征在于，所述学生网络模型的训练过程表示如下：

其中，F_S(·)为一个神经网络函数，表示学生网络模型，heads₂为学生网络模型预测的结果参数，I_l表示训练学生网络模型输入图像，表示教师网络模型训练参数。

5.根据权利要求1所述基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法，其特征在于，所述学生网络模型与教师网络模型输入到知识蒸馏模块中的特征图应当一致，由于训练学生网络模型对输入图片进行了下采样减小图像的规模，因此在学生网络模型训练过程中需要对结果参数特征图进行特征自适应，数学模型表示为：

F^Ad＝Adap(I^FA)

其中，I^FA为原始尺寸特征参数，F^Ad为自适应后的特征参数，Adap(·)为特征自适应过程，通过反转公式来实现特征自适应。

6.根据权利要求1所述基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法，其特征在于，知识蒸馏的过程中，神经网络的“Softmax”输出层会将前面的模型得到的预测结果转化为概率值p，输出层会产生一个“软化”后的概率向量q_i，用于Loss的计算，其计算过程表示如下：

上式中q_i为“软化”后的概率向量，T＝0.5为温度系数，z_i为预测结果取自然对数得到某一类的logit值，z_j为预测结果取自然对数得到所有类的logit值。