申请/专利权人：西安电子科技大学广州研究院

申请日：2021-09-23

公开（公告）日：2024-03-22

公开（公告）号：CN113947567B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/10;G06T5/70;G06T5/60;G06T3/4038;G06T3/4046;G06N3/0464;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.02.08#实质审查的生效;2022.01.18#公开

摘要：本发明提供了一种基于多任务学习的缺陷检测方法，可用于检测纹理表面的缺陷。本发明利用深度神经网络初步提取图像的纹理特征，通过缺陷修复模块，获取像素级别的检测结果，通过缺陷分割模块，获取粗略缺陷定位结果，最后将两者融合获得精确的缺陷检测结果。本发明通过构造多任务学习的网络结构，使得网络在仅使用粗略标签的情况下获得精确检测结果，实现缺陷检测功能。

主权项：1.一种基于多任务学习的缺陷检测方法，其特征在于，具体包括以下步骤：1将设定数量的缺陷图像数据和正常图像数据按照设定比例组成训练集和测试集；2若处于训练阶段，则利用融合方法对数据集进行扩增，即将训练集和测试集中的缺陷数据叠加到正常数据中，构造出扩增缺陷图像；否则直接执行下一步；3利用自编码器提取训练集中每个图像的特征向量；4搭建解码器作为修复器，将步骤3中的特征向量输入修复器，对特征向量进行重构，获得无缺陷的修复图像，在训练阶段计算修复图像和原始图像的损失来约束模型进行学习，在测试阶段计算修复图像与原图像的残差图；5搭建解码器作为分割器，将步骤3中的特征向量按照顺序拼接为一张特征图，将特征图输入分割器，得到二值分割图，获取图像的粗略分割结果；在训练阶段，计算二值分割图与训练标签的交叉熵损失来约束模型进行学习；6搭建供修复器和分割器共享的编码器，构建多任务学习框架，使得修复器和分割器同时训练和互相学习，在预测阶段，融合修复器和分割器的输出结果以获取检测结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学广州研究院 基于多任务学习的缺陷检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD