[发明专利]基于目标检测信息生成缺陷区域的语义分割网络训练方法

权利要求书

1.一种基于目标检测信息生成缺陷区域的语义分割网络训练方法，其特征在于：对图片样本中的缺陷标注矩形的目标检测框，并给出目标检测框对应的语义类别；在语义分割网络训练中，输入图片样本以及其对应的目标检测框和目标检测框对应的语义类别进行训练。

2.根据权利要求1所述的基于目标检测信息生成缺陷区域的语义分割网络训练方法，其特征在于：所述语义分割网络训练包括：

S100、读入图片样本以及其对应的目标检测框和目标检测框对应的语义类别；

S200、将图片样本传入语义分割网络，前向推断计算获得Logit；

S300、利用目标检测框信息及Logit计算损失值；

S400、使用所得损失值计算梯度并更新网络权重；

S500、判断该网络模型是否达到训练迭代次数上限，若达到上限则终止训练，否则执行步骤S100。

3.根据权利要求2所述的基于目标检测信息生成缺陷区域的语义分割网络训练方法，其特征在于：所述Logit的获得包括：获得语义分割网络的最终分割Logit输出与其对应的Score，分别提取各框内区域的Logit及所有框外区域的Logit。

4.根据权利要求3所述的基于目标检测信息生成缺陷区域的语义分割网络训练方法，其特征在于：所述损失值计算包括：

计算各框内区域的损失值：

上式对框内区域的Logit与1做交叉熵求出各像素损失值，取其损失值最小的k₁个值的均值作为该框的Loss，c为Logit，H为交叉熵函数；

计算框外区域的损失值：

上式对框外区域的Logit与0做交叉熵求出各像素损失值，取其损失值最大的k₂个值，截取该k₂个损失值的m个最大值后取其k₂-m个值的均值作为该图像背景Loss，c为Logit，H为交叉熵函数；

计算总体损失值：

式中，c₁为前景系数，c₂为背景系数，n为框的个数。

5.根据权利要求4所述的基于目标检测信息生成缺陷区域的语义分割网络训练方法，其特征在于：所述c₁取值0.75，c₂取值0.25。