[发明专利]一种基于知识蒸馏的高速工业场景视觉质量检测方法

权利要求书

1.一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，包括以下步骤：

S1、拍摄具有缺陷的产品图像，对所述图像进行处理以获得数据集；

S2、构建教师网络模型，训练所述教师网络模型，获得第二教师网络模型训练参数

S3、构建学生网络模型，基于所述第二教师网络模型训练参数训练所述学生网络模型，获得第二学生网络模型训练参数

S4、待检测目标图像输入所述学生网络模型，所述学生网络模型基于所述第二学生网络模型训练参数和所述第二教师网络模型训练参数输出所述待检测目标图像的检测结果。

2.根据权利要求1所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S1包括以下步骤：

S11、拍摄有缺陷的产品图像；

S12、对所述产品图像进行数据扩充，构建图像数据集I_h＝[I_h1,I_h2,...I_hK]；

S13、对所述图像数据集I_h＝[I_h1,I_h2,...I_hK]进行缺陷标定，获得标签数据集I_a＝[I_a1,I_a2,...I_aK]。

3.根据权利要求2所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S2包括以下步骤：

S21、在yolov5-m模型的基础上加入注意力模块，获得所述教师网络模型；

S22、训练所述教师网络模型，获得所述第二教师网络模型训练参数

4.根据权利要求3所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于：所述注意力模块在Coordinate Attention的基础上加入了LA模块。

5.根据权利要求3所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S22具体包括：

S221、将所述图像数据集I_h与标签数据集I_a输入到所述教师网络模型中，获取所述图像数据集I_h与所述标签数据集I_a的第一特征图与第一图像预测结果，其数学模型为：

G_IT＝F_T(I_h,I_a,heads₁,Θ_t)

F_T(·)为神经网络函数，表示所述教师网络模型，heads₁为网络预测的结果参数，I_h表示训练所述教师网络模型的输入图像，I_a表示所述输入图像的缺陷标签，Θ_t表示所述第一教师网络模型训练参数；

S222、多次重复步骤S221，获得多个所述第一教师网络模型训练参数Θ_t；

S223、选取最后一个所述第一教师网络模型训练参数Θ_t作为所述第二教师网络模型训练参数

6.根据权利要求3或5所述的一种基于知识蒸馏的高速工业场景视觉质量检测方法，其特征在于，所述步骤S3包括以下步骤：

S31、基于yolov5模型，构建学生网络模型；

S32、基于所述第二教师网络模型训练参数对所述学生网络模型进行训练，获得所述第二学生网络模型训练参数