[发明专利]利用知识蒸馏的陶瓷基板瑕疵智能检测方法

权利要求书

1.一种利用知识蒸馏的陶瓷基板瑕疵智能检测方法，其特征在于，所述方法包括：

构建知识蒸馏框架中的教师网络模型和学生网络模型，所述教师网络模型和所述学生网络模型具有相同的模型主体结构，且模型主体结构依次包括主干网络、颈部网络和头部网络；

综合陶瓷基板的高分辨率样本图像和低分辨率样本图像分别输入所述教师网络模型得到的特征图计算所述教师网络模型的总损失函数LOSS^T，并利用总损失函数LOSS^T训练得到所述教师网络模型的模型参数；所述低分辨率样本图像是对所述高分辨率样本图像下采样r倍得到的，且所述高分辨率样本图像的分辨率大于第一分辨率阈值，所述低分辨率样本图像的分辨率小于第二分辨率阈值；

加载所述教师网络模型的模型参数至所述学生网络模型；

根据高分辨率样本图像输入所述教师网络模型得到的颈部网络特征、低分辨率样本图像输入所述教师网络模型得到的颈部网络特征、低分辨率样本图像输入所述学生网络模型得到的颈部网络特征确定知识蒸馏损失LOSS_KD，包括：对高分辨率样本图像输入所述教师网络模型得到的颈部网络特征和低分辨率样本图像输入所述教师网络模型得到的颈部网络特征进行特征融合得到融合特征F_s，计算融合特征F_s与低分辨率样本图像输入所述学生网络模型得到的颈部网络特征之间的知识蒸馏损失s为参数，r为偶数，表示计算任一参数s取值下的融合特征F_s与颈部网络特征之间的L1损失；

根据知识蒸馏损失LOSS_KD以及低分辨率样本图像输入所述学生网络模型得到的预测损失得到所述学生网络模型的总损失函数LOSS^S，并利用总损失函数LOSS^S训练所述学生网络模型得到瑕疵检测模型；

利用所述瑕疵检测模型对待测陶瓷基板的待测图像进行瑕疵检测，得到所述待测陶瓷基板的瑕疵检测结果。

2.根据权利要求1所述的方法，其特征在于，计算所述教师网络模型的总损失函数LOSS^T的方法包括：

将高分辨率样本图像输入所述教师网络模型得到对应的预测损失以及颈部网络特征s为参数；

将低分辨率样本图像输入所述教师网络模型得到对应的预测损失LOSS_l^T以及颈部网络特征r为偶数；

基于预测损失颈部网络特征预测损失以及颈部网络特征计算得到所述教师网络模型的总损失函数LOSS^T。

3.根据权利要求2所述的方法，其特征在于，基于预测损失颈部网络特征预测损失以及颈部网络特征计算得到所述教师网络模型的总损失函数LOSS^T的方法包括：

对各个参数s取值下的颈部网络特征和颈部网络特征进行特征融合得到融合特征F_s；

将所述融合特征F_s输入头部网络计算得到预测损失

确定所述教师网络模型的总损失函数λ为参数。

4.根据权利要求1或3所述的方法，其特征在于，对任一参数s取值的颈部网络特征和颈部网络特征进行特征融合得到融合特征F_s的方法包括：

对颈部网络特征进行卷积运算降低通道数得到处理后的颈部网络特征处理后的颈部网络特征与颈部网络特征具有相同的特征尺寸H×W以及相同的特征通道数C；

对处理后的颈部网络特征和颈部网络特征进行特征融合得到融合特征F_s。