[发明专利]利用知识蒸馏的陶瓷基板瑕疵智能检测方法

说明书

本申请公开了一种利用知识蒸馏的陶瓷基板瑕疵智能检测方法，涉及深度学习目标检测领域，该方法综合高分辨率样本图像和低分辨率样本图像分别输入教师网络模型得到的特征图计算教师网络模型的总损失函数来训练教师网络模型，然后基于知识蒸馏的方法利用教师网络模型指导训练学生网络模型，综合高低分辨率样本图像输入教师网络模型得到的融合特征以及低分辨率样本图像输入学生网络模型的特征图计算学生网络模型的总损失函数，最终指导学生网络模型训练得到瑕疵检测模型，即便是针对低分辨率的待测图像也能实现较高的检测准确率，从而可以在检测速度和检测准确率上都有较优表现，对陶瓷基板的瑕疵检测效率高。

技术领域

本申请涉及深度学习目标检测领域，尤其是一种利用知识蒸馏的陶瓷基板瑕疵智能检测方法。

背景技术

陶瓷基板是一种具有较大载流能力的超薄复合基板，是大功率电力电子电路结构的基础材料。在陶瓷基板的生产过程中，常出现镀金层损伤、边缘多金、缺瓷、油污、掺杂异物等瑕疵，快速而准确地检测并剔除这些存在瑕疵的陶瓷基板是保证生产质量的重要环节，具有重要意义。

目前在实际工业生产现场中常用的陶瓷基板的瑕疵检测主要分为两个阶段。第一阶段是驱动硬件采集陶瓷基板的表面图像，第二阶段利用瑕疵检测算法对采集的图像进行处理及预测，判断陶瓷基板是否存在瑕疵。但是由于陶瓷基板瑕疵形状多变、尺寸跨度大，且多金和缺瓷瑕疵有较多小目标，样本量小，各类瑕疵数量分布不均匀，因此瑕疵检测的难度较大。为了保证采集图像的质量以提高检测准确性，需要控制第一阶段的硬件运动较为平缓，这会导致所需时间较长，检测速度太慢，效率太低，难以应用在实际工业生产现场。若要减少硬件运动的时间以提高整体检测速度，单次硬件运动需要拍摄的瑕疵表面图像区域变大，处理后地相同区域大小的陶瓷基板的图像分辨率下降，基板上的瑕疵相对缩小，又会导致检测瑕疵的难度进一步增加，检测的准确率较低。

发明内容

本申请人针对上述问题及技术需求，提出了一种利用知识蒸馏的陶瓷基板瑕疵智能检测方法，本申请的技术方案如下：

一种利用知识蒸馏的陶瓷基板瑕疵智能检测方法，该方法包括：

构建知识蒸馏框架中的教师网络模型和学生网络模型，教师网络模型和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教师网络模型得到的特征图计算教师网络模型的总损失函数LOSS^T，并利用总损失函数LOSS^T训练得到教师网络模型的模型参数；低分辨率样本图像是对高分辨率样本图像下采样r倍得到的，且高分辨率样本图像的分辨率大于第一分辨率阈值，低分辨率样本图像的分辨率小于第二分辨率阈值；

加载教师网络模型的模型参数至学生网络模型；

根据高分辨率样本图像输入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；

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

利用瑕疵检测模型对待测陶瓷基板的待测图像进行瑕疵检测，得到待测陶瓷基板的瑕疵检测结果。

其进一步的技术方案为，计算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教师网络模型得到对应的预测损失以及颈部网络特征r为偶数；