CN119399210A 基于贝叶斯条件扩散模型的可信表面缺陷检测方法及设备 （南京邮电大学）

号基于贝叶斯条件扩散模型的可信表面缺陷本发明的一种基于贝叶斯条件扩散模型的确定性感知的工业产品表面缺陷检测模型并训像以及不确定性度量。本发明基于拉普拉斯近22.根据权利要求1所述的基于贝叶斯条件扩散模型的可信表面缺陷检测方法，其特征过ResNet_34网络的第二和第三残差块以提取深3.根据权利要求2所述的基于贝叶斯条件扩散模型的可信表面缺陷检测方法，其特征w为网络的参数，p(W)为网络参数的先验分布，X,Y分别代表输入数据和标签数的后验近似高斯分布N(wap,H-1)，其中H为wuap关于In(p(WIX,y))的hessian3的特征差异，以捕捉二者的相似特征；为超参数，控制蒸馏损失在总损失中的比重；4.根据权利要求3所述的基于贝叶斯条件扩散模型的可信表面缺陷检测方法，其特征表示计算A,B的余弦相似度；步骤4.3，对组缺陷预测图像进行均值和方差计算；假设每一组缺陷预测图像为45.根据权利要求4所述的基于贝叶斯条件扩散模型的可信表面缺陷检测方法，其特征使用第一次迭代得到的缺陷预测图像粗略地生成了一个缺陷ma6.根据权利要求5所述的基于贝叶斯条件扩散模型的可信表面缺陷检测方法，其特征在条件扩散模型第二次迭代的采样过程中，设定加入的初始7.一种计算机设备，包括存储器和处理器，所述存5[0003]其中基于无监督设置的深度学习方法仅需要易于获取的型的预测结果来估计不确定性，利用不同模型在相同任务上的多样化表现来增加稳健性。6像经过ResNet_34的第二和第三残差块以提取深层次特征图，这些特征图包含多层次语义[0013]步骤2.2，扩散模型网络最后一层参数分布使用拉普拉斯近似（LastLayerLaplaceApproximation，LLLA）拟合。定义网络的最后一层服从高斯分布的后验近似高斯分布N(wap,H-1)，其中H为wuap关于In(p(WIX,y))的hessian7使用第一次迭代得到的缺陷预测图像粗略地生成了一个缺陷mask，初步标识出[0023]⊙表示逐元素相乘（Hadamard乘积用于实现加权融合操作，y为第一次引导图8[0029]本发明提出的基于条件扩散模型的不确定性感知的工业产品表面缺陷检测方法[0031]（3）结合特征层面和图片像素级别的对比提升缺陷识别精度，通过预训练的9[0038]如附图1所示，本发明实施例提出的基于条件扩散模型的不确定性感知的工业产[0041]步骤3，训练上述基于条件扩散模型的不确定性感知的工业产品表面缺陷检测模络作为特征提取网络，将输入图像xmpur通过ResNet_34网络的第二和第三残差块以生成最后一层权重参数服从高斯分布N(wuxp,H-1)其中wuap表示参数极大后验估计先验损失函数，最后一层拉普拉斯近似方法能够高效地在较大的模型中实现不确定性估为：[0055]步骤3，训练上述基于条件扩散模型的不确定性感知的工业产品表面缺陷检测模失函数i(0)：xmpureR3oo送入特征提取网络中，对原始的ResNet_34网络进行微调，采用如下上正常的图片与重建的图片尽量相似。Lsimiari在本发明例中，即通过步骤3.2得到最后一层网络参数分布之后，每次进行采样4.1中，初始加入的噪声强度较大。这一步是为了去除掉图像中存在的显著的大的噪声步数取值范围为te{0,1,2.…,1000}，第一次迭代时加入的噪声尽量控制时间步数T在[400,600]这个区间内。陷预测图像，假设为Defect，其中i=1，2…N。对缺陷预测图中的每个像素点，计算picxelw,ne(0,1}N组图像的均值和方差，平均值作为本次缺陷预测的结果，方差作为公式(6)[0072]这样就得到了第二步进行图片采样时的引导图片。第二次迭代的引导图像噪声控制时间步数T在[100,300]这个区间内。在第二次迭代时，由于引导图像ysecond的可信度。从附图3中预测结果和不确定性图可以看出，缺陷预测结果整体不确定性值较[0079]附图4展示了模型在缺陷错误检测情况下的输出结果。此时模型在对缺陷错误预测的时候，生成的预测结果与真实标签不一致。从