1.一种基于知识蒸馏的正样本工业缺陷检测方法,包括步骤(s1):构建工业数据集;其特征在于:还包括:
步骤(s2):对步骤(s1)中的工业数据集的数据进行预处理操作,预处理后的工业数据集包括正样本集和无标注的缺陷样本集;
步骤(s3):使用自监督对比学习在步骤(s2)形成的工业数据集上预训练教师网络模型;使得教师网络模型学习到正样本集的正样本特征和缺陷样本集的缺陷特征的能力;
步骤(s4):在步骤(s2)形成的正样本集的基础上,利用步骤(s3)训练得到的教师网络模型指导学生网络模型训练,使得学生网络模型学习到正样本集的正样本特征的能力;
步骤(s5):使用步骤(s3)训练得到的教师网络模型以及步骤(s4)训练得到的学生网络模型对待测图片进行缺陷检测。
2.根据权利要求1所述的基于知识蒸馏的正样本工业缺陷检测方法,其特征在于:步骤(s1)中的工业数据集中所采集的数据为检测平台上的相机获得的待检测工件的图像数据。
3.根据权利要求1所述的基于知识蒸馏的正样本工业缺陷检测方法,其特征在于:所述教师网络模型采用在imagenet上预训练的resnet18网络模型,并采用simclr算法对教师网络模型进行无监督微调。
4.根据权利要求1所述的基于知识蒸馏的正样本工业缺陷检测方法,其特征在于:分别用教师网络模型和学生网络模型对待测图片提取多尺度特征并形成特征图;所述学生网络模型的mse损失函数lmse定义为公式一;
公式一:
公式一中,f(t)表示教师网络模型提取的多尺度特征,f(s)表示学生网络模型提取的多尺度特征,h和w分别表示特征图的长和宽,n表示特征图包含的像素值个数,c表示通道个数。
5.根据权利要求1所述的基于知识蒸馏的正样本工业缺陷检测方法,其特征在于:使用步骤(s3)训练得到的教师网络模型以及步骤(s4)训练得到的学生网络模型对待测图片进行缺陷检测得到待测图片的异常得分图score_map,异常得分图score_map为公式四;
公式四:
公式四中,f(t)表示教师网络模型提取的多尺度特征,f(s)表示学生网络模型提取的多尺度特征,c表示通道个数,upsample表示上采样。