申请/专利权人：福州大学

申请日：2021-12-28

公开（公告）日：2024-06-28

公开（公告）号：CN114332007B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/73;G01N21/88;G06V10/764;G06V10/82;G06N3/045;G06N3/0455;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：本发明涉及一种基于Transformer的工业缺陷检测和识别方法。所述方法包括：获取工业自动生产线上异常与无异常的工业产品图像作为原始数据集；将无异常的产品图像作为训练图像输入到师生框架训练网络；将学生网络的输出特征层输入到基于Transformer的自注意力机制网络；将训练后的异常检测与识别模型用于工业产品图像的预测。本发明有效的利用了产品图像不同层次的特征与特征间的信息交互，实现对异常产品的检测并定位异常位置，从而提升工业产品检测的效率。

主权项：1.一种基于Transformer的工业缺陷检测和识别方法，其特征在于，提供有基于Transformer的自注意力机制网络和师生网络，该方法包括如下步骤：步骤S1、获取工业自动生产线上异常与无异常的产品图像x1,x2,......,xN；步骤S2、对获取到的产品图像行整理分类，将80％无异常的产品图像作为训练数据集，留取20％无异常图像与全部异常图像作为测试数据集；步骤S3、将训练数据集图像输入到师生网络中，师生网络中的教师网络与学生网络分别从图像中提取出不同分辨率大小的特征层；步骤S4、将学生网络提取的特征层作为基于Transformer的自注意力机制网络的输入，进行编解码；步骤S5、将教师网络的特征层作为标签与基于Transformer的自注意力机制网络的输出一并进行训练并保存训练模型；步骤S6、将待预测的图像输入至训练后的模型中进行异常检测，若图像检测为正常，则输出检测结果；若图像检测为异常，则输出检测与异常定位的结果；步骤S4中基于Transformer的自注意力机制网络包括四个模块，分别是分词器、编码器、解码器、映射器；步骤S4中将学生网络提取的特征层作为基于Transformer的自注意力机制网络的输入，进行编解码的具体步骤如下：步骤S41、将学生网络提取出的特征层输入分词器，将三维特征映射到二维空间，得到不同特征层的视觉标记；步骤S42、将不同特征层的视觉标记输入到编码器中，编码器将不同特征层的视觉标记进行维度连接，通过自注意力机制获得带有权重信息的特征块；步骤S43、将特征块输入到解码器，解码器以教师网络特征层提取的视觉标记信息作为标签对特征块进行解码，实现教师网络视觉标记与特征块的信息交互；步骤S44、将解码器的输出输入到映射器中，映射器将解码器处理过的特征块映射回原学生网络特征层的三维空间。

全文数据：

权利要求：

百度查询： 福州大学 一种基于Transformer的工业缺陷检测和识别方法

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