CN114677346B 基于记忆信息的端到端的半监督图像表面缺陷的检测方法 （西安电子科技大学广州研究院）

US2021390723A1,2021.12.16WO2019233812A1,2019.12.12基于记忆信息的端到端的半监督图像表面本发明涉及图像表面缺陷的检测方法技术明解决了现有的检测方法在推理阶段需要较高2膜MP(2)掩模图像M与噪声图像In执行元素相乘，在噪声图像In中提取由M定义的兴趣区域MemSeg使用基于ImageNet预训练的ResNet18作为编码器，为了保证记忆像高级特征的统一，在模型的训练和推理阶段都始终冻结ResNet中block1、block2和在面对复杂多样的异常检测时，人类的本能反应之一是利用对预训练的编码器(Resnet18)提取记忆样本的高级特征作为记忆信息，并在U-Net的跳跃连当网络在训练或推理阶段有新的图像输入时，输入图像同样经过编码器进行特征提3;后与32×32的特征图执行元素相乘得到M2，M2上采样后与64×64的特征图执行元素相乘得normalization、ReLU激活函数构成的基本卷积块；ConvLayer包含两个堆叠的基本卷积为了保证异常分割网络的预测值接近其真实值，本4常区域的真实值S与模型的预测值之间的L1损2.根据权利要求1所述的基于记忆信息的端到端的半监督图像表面缺陷的检测方法，通过一个保持通道数量的3×3的卷积块进行初步地信息融合；考虑到CIn是两种信息在通3.根据权利要求1所述的基于记忆信息的端到端的半监督图像表面缺陷的检测方法，首先对输入图像I执行随机镜像对称、随机角度旋转以及亮度、饱和度以及色调的随机调5[0003]基于半监督技术，借助自动编码器(AE)和生成对抗网络(GAN)来建立重构模型进的掩膜MP。柏林噪声随机地存在若干个峰值，由其产生的MP有助于提取图像中的连续区域6利用预训练的编码器(Resnet18)提取记忆样本的高级特征作为记忆信息，并在U-Net的跳[0020]为了获得记忆信息，本发明首先从正常样本中随机选取N张正常的图像，输入到异信息DI*与输入图像的高级特征II完成通道维度的拼接操作，得到维度为128×64×64、7[0027]通过记忆模块得到了由输入图像信息II与最佳差异信息DI*组成的拼接信息CI，下降。考虑到最佳差异信息DI*依托于输入图像信息II生成，并且相同位置的元素是对应意力机制和多尺度策略充分融合拼接信息CI中的视觉信采样后与32×32的特征图执行元素相乘得到M2，M2上采样后与64×64的特征图执行元素相[0035]对应于图1，解码器的UpsamplingLayer包含双线性插值层以及一个由卷积层、像异常区域的真实值S与模型的预测值之间的L1损失Ll1和焦8息在通道维度的简单拼接，所以使用CoordinateAttention(CA)捕捉CIn中通道间的信息的掩膜MP。柏林噪声随机地存在若干个峰值，由其产生的MP有助于提取图像中的连续区域9利用预训练的编码器(Resnet18)提取记忆样本的高级特征作为记忆信息，并在U-Net的跳[0069]为了获得记忆信息，本发明首先从正常样本中随机选取N张正常的图像，输入到异信息DI*与输入图像的高级特征II完成通道维度的拼接操作，得到维度为128×64×64、[0076]通过记忆模块得到了由输入图像信息II与最佳差异信息DI*组成的拼接信息CI，下降。考虑到最佳差异信息DI*依托于输入图像信息II生成，并且相同位置的元素是对应意力机制和多尺度策略充分融合拼接信息CI中的视觉信先通过一个保持通道数量的3×3的卷积块进行初步地信息融合。考虑到CIn是两种信息在采样后与32×32的特征图执行元素相乘得到M2，M2上采样后与64×64的特征图执行元素相[0085]对应于图1，解码器的UpsamplingLayer包含双线性插值层以及一个由卷积层、像异常区域的真实值S与模型的预测值之间的L1损失Ll1和焦[0095]