[发明专利]基于终身学习的多类别纹理表面缺陷检测模型的构建方法

权利要求书

1.一种基于终身学习的多类别纹理表面缺陷检测模型的构建方法，其特征在于，包括：

搭建纹理表面缺陷检测模型；所述纹理表面缺陷检测模型包括自适应异常分解模块，自适应异常分解模块由特征提取器、背景编码器、背景解码器、缺陷编码器和缺陷解码器组成，用于获得正常样本和异常样本的背景重构图像以及异常样本的缺陷前景分割图像；

以损失函数训练所述纹理表面缺陷检测模型；

其中，所述特征提取器、背景编码器、背景解码器、缺陷编码器和缺陷解码器均由若干自适应卷积/反卷积模块构成；任一所述自适应卷积/反卷积模块包括一个卷积核/反卷积核、N个卷积核/反卷积核掩膜、一个修正函数、N个批归一化层和一个激活函数，N为类别总数；

在训练第i个类别时，所述自适应卷积/反卷积模块利用卷积核/反卷积核参数与修正后的第i个类别对应的卷积核/反卷积核掩膜相乘的结果，对输入做卷积/反卷积操作；再将操作结果输入第i个类别对应的批归一化层进行标准化处理；并将处理结果通过激活函数进行非线性映射；

若所述卷积核/反卷积核参数与第i个类别相关性大于预设阈值，则在此后训练过程中不更新该参数；否则，更新该参数；其中，所述相关性通过第i个类别对应的卷积核/反卷积核掩膜分配给所述卷积核/反卷积核参数的权重来衡量。

2.根据权利要求1所述的基于终身学习的多类别纹理表面缺陷检测模型的构建方法，其特征在于，当and时，认为所述卷积核/反卷积核参数θ_j与第i个类别相关性大于预设阈值，则设置并在此后训练过程中不更新该参数θ_j；否则，设置并在此后训练过程中更新该参数θ_j；

其中，表示第i个类别对应的卷积核/反卷积核掩膜分配给所述卷积核/反卷积核参数θ_j的权重，j表示卷积核/反卷积核参数的索引；μ₁和μ₂分别表示第一参数剪枝阈值和第二参数剪枝阈值。

3.根据权利要求1所述的基于终身学习的多类别纹理表面缺陷检测模型的构建方法，其特征在于，所述特征提取器用于分别提取输入的正常样本和异常样本的特征，获得相应的正常特征和异常特征；所述背景编码器用于将所述正常特征和异常特征分别编码为正常背景特征和异常背景特征；所述背景解码器用于分别对所述正常背景特征和异常背景特征进行重构，获得正常样本和异常样本的背景重构图像；所述缺陷编码器用于将所述异常特征编码为缺陷特征；所述缺陷解码器用于对所述缺陷特征进行分割，获得异常样本的缺陷前景分割图像。

4.根据权利要求3所述的基于终身学习的多类别纹理表面缺陷检测模型的构建方法，其特征在于，所述损失函数Lⁱ为：

式中，i表示第i个类别，λ_r,λ_E,λ_s分别表示重建损失特征嵌入损失和分割损失的权重；表示正常样本，表示正常样本的背景重构图像，表示异常样本的背景重构图像；表示正常样本的背景特征，表示异常样本的背景特征；表示异常样本的缺陷前景分割图像，表示掩膜图像；⊙、||·||₁和||·||₂分别表示期望、点积、L₁范数和L₂范数。

5.根据权利要求1至4任一项所述的基于终身学习的多类别纹理表面缺陷检测模型的构建方法，其特征在于，所述异常样本通过以下方式获得：

将正常样本添加颜色抖动并均匀划分为多个网格，再随机排列生成缺陷图像；

将所述缺陷图像与柏林噪声的掩膜图像融合生成缺陷前景；

融合所述缺陷前景与正常样本，生成异常样本。

6.根据权利要求1所述的基于终身学习的多类别纹理表面缺陷检测模型的构建方法，其特征在于，所述纹理表面缺陷检测模型还包括：

自适应分割判别模块，自适应分割判别模块由判别器组成，用于引导背景与前景分离并进一步分割缺陷区域，获得缺陷判别结果；且所述判别器由若干所述自适应卷积/反卷积模块构成。