CN119477922A 掩模与语义协同优化扩散模型的石材表面瑕疵检测方法 （华侨大学）

掩模与语义协同优化扩散模型的石材表面本发明提供掩模与语义协同优化扩散模型后输入掩模引导的知识提炼网络以生成掩模表2反馈至用户。2.根据权利要求1所述的掩模与语义协同优化扩散模型的石材表面瑕疵检测方法，其3.根据权利要求2所述的掩模与语义协同优化扩散模型的石材表面瑕疵检测方法，其3离，3r=T(M)表示潜在表征M0输入掩模教师模型后得到的教师分布，=S=S(M)表示4.根据权利要求3所述的掩模与语义协同优化扩散模型的石材表面瑕疵检测方法，其得到语义表征M,rr，其中，表示SGDB块，SFF(•)表示空间感知特征融合块，合特征图表示对输入表征上采样得到的高分辨5.根据权利要求4所述的掩模与语义协同优化扩散模型的石材表面瑕疵检测方法，其Decoder(•)表示解码器，表示输出表征，表示SDDB块，M(•)表示SDM块6.根据权利要求5所述的掩模与语义协同优化扩散模型的石材表面瑕疵检测方法，其表示第n层特征提取层所得到的特征图，r"()表示预训练的特征提取网络的第n层特征提7.根据权利要求6所述的掩模与语义协同优化扩散模型的石材表面瑕疵检测方法，其8.根据权利要求6所述的掩模与语义协同优化扩散模型的石材表面瑕疵检测方法，其特征在于：所述步骤S1.7中，根据公式R=SORT(S,9)获取异常得分列表R，其中，456表示平均反噪声强度，a-I-A表示输入图片的第i个像素点对应的反噪[0016]步骤S1.32、将掩模的潜在表征M0分别输入知识提炼网络的掩模教师模型和学生,为MSE均方误差，Dist(-)表示欧几里表示SGEB块，Broadcast(•)表示广播运算，表示由多维特征金字塔得到的融合特征图Z,表示对输入表征Z上采样得到的高分辨率特表示SDDB块，M,()表示SDM块7s[0031]本实施例中，正样本图片为石材表面图片上不包含瑕疵的背景区域或者普通区8输入图片输入编码器以得到输入表征对输入表征进行高斯噪声向前扩散以使其逐步向完[0033]具体地，根据公式得到全噪声表征Z,eR""，其xeR"入图片的第i个像素点对应的反噪声强度，A,表示输入图片的第i个像素点的对应的噪声[0037]步骤S1.32、将掩模的潜在表征M0分别输入知识提炼网络的掩模教师模型和学生的教师分布，=S=S(M)表示潜在表征M0输入掩模学生模型后得到的学生分布，T(·)表9表示Kullback_Leibler散[0040]利用语义引导网络SG（Semantic_Guided）来逐步精确定位到瑕疵区域，即表示SGDB块（SGDecoderBlock，语义引导网络的解码器块SFF(•)表示空间感知特征融合块，ESO()表示SGEB块（SGEncoderBlocks，语义引导网络的编码器块表示广播运算。Decoder(•)表示解码器，表示输出表征，表示SDDB块（SDDecoderBloc示第n层特征提取层所得到的特征图，y"()表示预训练的特征此在异常得分列表中的只会是负样本作为输入图片时对应的异常得分。在已存储信息中，[0048]设定了6个性能指标，包括AUROCseg、APseg、F1maxseg、AUROCcls、APcls、位，而"cls"则指图像级别的缺陷检测。本发明主要关注缺陷边缘的定位，分割度量（即