[发明专利]基于ViT的无监督坯布缺陷检测方法、系统、设备及介质

说明书

本发明涉及一种基于ViT的无监督坯布缺陷检测方法、系统、设备及介质，其技术方案要点是：获取坯布图像；利用训练好的ViT网络模型对所述坯布图像进行特征提取得到多尺度特征图；利用训练好的Fastflow网络模型对多尺度特征图进行转化得到各个尺度特征的概率值热点图；利用双线性插值方法统一各个概率值热点图的尺度得到对应的统一概率热点图；根据所有统一概率热点图计算出各个像素点的均值得到各个像素点的概率值；基于所有像素点的概率值定位缺陷区域；本申请具有解决坯布样本收集难的问题，且能够更好地对坯布图像进行准确的特征提取，以提高识别准确率的效果。

技术领域

本发明涉及坯布缺陷检测技术领域，更具体地说，它涉及一种基于ViT的无监督坯布缺陷检测方法、系统、设备及介质。

背景技术

缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征进行完整的建模和迁移，无法规模化复用，通常要求区分不同的场景，这会浪费大量的人力成本。

但是，采用监督训练的深度学习方法非常依赖缺陷数据集，对于一些坯布场景，由于缺陷出现的频率低，良品与疵点数据通常表现出严重的长尾分布，甚至在某些情况下没有缺陷样本。这一现实场景使得在实践中难以收集大量的缺陷数据来进行监督学习，从而影响缺陷的识别和检测。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于ViT的无监督坯布缺陷检测方法、系统、设备及介质，具有解决坯布样本收集难的问题，且能够更好地对坯布图像进行准确的特征提取，以提高识别准确率的功能优点。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于ViT的无监督坯布缺陷检测方法，包括：

获取坯布图像；

利用训练好的ViT网络模型对所述坯布图像进行特征提取得到多尺度特征图；

利用训练好的Fastflow网络模型对多尺度特征图进行转化得到各个尺度特征的概率值热点图；

利用双线性插值方法统一各个概率值热点图的尺度得到对应的统一概率热点图；

根据所有统一概率热点图计算出各个像素点的均值得到各个像素点的概率值；

基于所有像素点的概率值定位缺陷区域。

可选的，所述ViT网络模型采用Swin Transformer网络模型。

可选的，所述Fastflow网络模型的训练方法包括：

获取训练样本集，所述训练样本集中的样本为正常坯布图像经过ViT网络模型后的正常特征图；

将训练样本集中的各个样本输入给Fastflow网络得到输出结果，利用极大似然估计方法得到损失函数；

将损失函数在Fastflow网络进行反向传播，更新Fastflow网络的参数，经过多次迭代训练后得到训练好的Fastflow网络模型。

可选的，所述利用极大似然估计方法得到损失函数，包括：

将预设公式作为似然函数，其中，预设公式为：

X为ViT网络模型的输出结果，Z为Fastflow网络的输出结果；

对似然函数取对数,将z替换为f(x)，f(x)表示损失函数，求导得到损失函数。

可选的，所述Fastflow网络包括：卷积层、激活层和标准化层；

通过卷积层和激活层用于对多通道特征图进行双射映射得到单通道特征图；