(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111648994.4 (22)申请日 2021.12.3 0 (71)申请人 杭州海康威视数字技 术股份有限公 司 地址 310051 浙江省杭州市滨江区阡 陌路 555号 (72)发明人 吴剑雯　陈康　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 代理人 项京　高莺然 (51)Int.Cl. G06T 7/00(2017.01) G06K 9/62(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) (54)发明名称 一种缺陷检测模 型的训练方法、 缺陷检测方 法及装置 (57)摘要 本发明实施例提供了一种缺陷检测模型的 训练方法、 缺陷检测方法及装置， 所述方法包括： 获取训练图像； 采用无监督训练方式， 确定训练 图像的伪标签； 基于训练图像及其对应的伪标 签， 采用弱监督训练方式和/或有监督训练方式 对缺陷检测模 型进行训练。 由于本发 明实施例的 方案中， 是采用无监督训练方式获取训练图像的 伪标签， 根据训练图像及其对应的伪标签对缺陷 检测模型进行训练， 所以解决了无法获取大量缺 陷图像样本而导致训练出的模型检测精度不高 的问题， 提高了缺陷检测模型的检测精度， 本发 明实施例的方案中还可以根据不同应用场景的 需求， 选择采用弱监督和/或有监督训练方式对 缺陷检测模 型进行训练， 具有可以灵活部署最小 化人力成本的优点。 权利要求书3页 说明书17页 附图5页 CN 114299034 A 2022.04.08 CN 114299034 A 1.一种缺陷检测模型的训练方法， 其特 征在于， 所述方法包括： 获取训练图像； 采用无监 督训练方式， 确定所述训练图像的伪标签； 基于所述训练图像及其对应的伪标签， 采用弱监督训练方式和/或有监督训练方式对 缺陷检测模型进行训练。 2.如权利要求1所述方法， 其特 征在于， 所述方法还 包括： 获取所述缺陷检测模型输出的检测结果； 如果所述检测结果 不满足预设检测条件， 获取目标图像； 将所述目标图像加入所述训练图像， 并返回所述基于所述训练图像及其对应的伪标 签， 采用弱监督训练方式和/或有监督训练方式对缺陷检测模 型进行训练的步骤， 直到所述 缺陷检测模型输出的检测结果满足所述预设检测条件。 3.如权利要求1所述方法， 其特 征在于， 所述无监 督训练方式， 包括： 获取多个样本图像以及 初始特征重构网络， 其中， 所述样本图像包括无缺陷的对象； 对每个样本图像进行特征提取， 得到每个样本图像对应的多个不同分辨率的样本特征 图； 采用所述初始特征重构网络， 基于每个样本特征图分别进行特征重构， 得到该样本特 征图对应的重构样本特 征图； 基于所述每个样本特征图与其对应的重构样本特征图之间的重构误差， 调 整所述初始 特征重构网络的参数， 直到所述初始特 征重构网络收敛， 得到特 征重构网络 。 4.如权利要求3所述方法， 其特征在于， 所述采用无监督训练方式， 确定所述训练图像 的伪标签的步骤， 包括： 将所述训练图像输入残差网络， 对所述训练图像进行特征提取， 得到多个不同分辨率 的目标特征图； 将多个所述目标特征图输入所述特征重构网络， 对多个所述目标特征图分别进行进行 特征重构， 得到每 个目标特征图对应的重构特 征图； 基于所述每个目标特征图与其对应的重构特征图之间的重构误差， 确定所述训练图像 的伪标签， 并输出 所述伪标签。 5.如权利要求4所述方法， 其特征在于， 所述基于所述每个目标特征图与其对应的重构 特征图之间的重构误差， 确定所述训练图像的伪标签的步骤， 包括： 计算所述每 个目标特征图与其对应的重构特 征图之间的重构误差； 根据所述重构误差， 按照公式 计算得到融合 误差d； 基于所述融合 误差与预设阈值的大小关系， 确定所述训练图像的伪标签； 其中， fi表示第i个目标特征图， f ′i表示第i个目标特征图对应的重构特征图， K表示所 述目标特征图的数量。 6.如权利要求5所述方法， 其特征在于， 所述目标特征图为所述训练图像中的像素点对 应的特征图； 所述基于所述融合误差与预设阈值的大小关系， 确定所述训练图像的伪标签的步骤， 包括：权　利　要　求　书 1/3 页 2 CN 114299034 A 2在所述融合误差不小于预设阈值时， 确定该像素点为所述训练图像中的缺陷像素点， 并基于所有缺陷像素点确定所述训练图像中的缺陷区域， 作为所述训练图像的伪标签。 7.如权利要求1所述方法， 其特 征在于， 所述弱监 督训练方式， 包括： 获取初始分割网络； 将每个训练图像输入所述初始分割网络， 得到该训练图像对应的预测得分图， 其中， 所 述预测得分图中像素点的像素值表示该训练图像中对应的像素点为缺陷像素点的预测 概 率； 基于每个训练图像对应的预测得分图以及标注区域， 计算该训练图像对应的采样损 失； 基于所述每个训练图像中标注区域内的各个像素点的像素值， 计算该训练图像对应的 一致性损失； 将所述采样损失以及所述一致性损失的加权值作为总损失， 并基于所述总损失调 整所 述初始分割网络的参数， 直到所述初始分割网络收敛， 得到分割网络， 作为所述缺陷检测模 型。 8.如权利要求7所述方法， 其特征在于， 所述基于每个训练图像对应的预测得分图以及 标注区域， 计算该训练图像对应的采样损失的步骤， 包括： 针对每个训练图像中标注区域外的像素点， 基于所述预测得分图计算每个像素点对应 第一损失函数值； 计算对应的第 一损失函数值最大的第 一预设数量个像素点的像素值的平均值， 作为第 一损失； 针对每个训练图像中标注区域内的像素点， 将每个像素点作为缺陷像素点， 基于所述 预测得分图计算每 个像素点对应第二损失函数值； 计算对应的第 二损失函数值最小的第 二预设数量个像素点的像素值的平均值， 作为第 二损失； 针对每个训练图像中标注区域内的像素点， 将每个像素点作为非缺陷像素点， 基于所 述预测得分图计算每 个像素点对应第三损失函数值； 计算对应的第 三损失函数值最小的第 三预设数量个像素点的像素值的平均值， 作为第 三损失； 将所述第一损失、 所述第二损失和所述第三损失的加 和， 作为采样损失。 9.如权利要求7所述方法， 其特征在于， 所述基于所述每个训练图像中标注区域内的各 个像素点的像素值， 计算该训练图像对应的一 致性损失的步骤， 包括： 对所述每 个训练图像中标注区域内各个 像素点按照像素值进行聚类， 得到多个簇； 针对每个簇， 计算其所包括的各像素点在所述预测得分图中对应的像素值的方差的均 值， 作为一致性损失。 10.一种缺陷检测方法， 其特 征在于， 所述方法包括： 获取待检测图像； 将所述待检测图像输入预先训练的缺陷检测模型进行缺陷检测， 得到缺陷检测结果， 其中， 所述缺陷检测模型基于训练图像及其对应的伪标签， 采用弱监督训练方式和/或有监 督训练方式训练得到， 所述伪标签为采用无监 督训练方式确定的所述训练图像的伪标签。权　利　要　求　书 2/3 页 3 CN 114299034 A 3