工业视觉缺陷小样本增量学习与伪标签自训练方法及系统与流程
本申请涉及工业机器视觉与人工智能,尤其涉及一种工业视觉缺陷小样本增量学习与伪标签自训练方法及系统。
背景技术:
1、随着智能制造和工业机器视觉技术的发展,基于深度学习的视觉缺陷检测已广泛应用于工业零部件表面质量检测。现有工业视觉检测模型通常依赖大量已标注缺陷样本进行训练,通过学习不同缺陷类别的图像特征实现缺陷定位和类别识别。然而,实际产线中良品数量远高于缺陷品,真实缺陷样本获取困难,尤其对于细微缺陷及低频缺陷,难以形成规模化标注数据。同时,随着生产工艺调整、原材料变化及设备状态改变,产线还会持续出现训练阶段未覆盖的新型缺陷。
2、为降低样本标注成本,现有技术通常采用数据增强、伪标签自训练或增量学习等方式扩充训练数据并更新检测模型。其中,伪标签方法利用已有模型预测无标注图像并将预测结果作为训练标签,但单纯依赖预测置信度容易将误检样本引入训练过程,造成伪标签噪声累积;传统增量学习则主要利用新增样本继续训练原模型,模型参数容易向新缺陷类别偏移,导致既有缺陷识别能力下降。此外,对于无法归属于已有类别的异常图像,现有方法通常仅作为低置信样本丢弃,难以进一步发现潜在的新缺陷类别。因此,现有技术难以同时兼顾小样本条件下的有效学习、伪标签可靠筛选、新缺陷自主发现以及新旧缺陷识别能力保持,限制了工业视觉检测模型在持续变化产线环境中的迭代应用能力。
技术实现思路
1、有鉴于此,本申请实施例提供了一种工业视觉缺陷小样本增量学习与伪标签自训练方法及系统,以解决现有技术存在的缺陷样本稀缺、伪标签噪声较大、新缺陷增量学习易遗忘旧缺陷的问题。
2、本申请实施例的第一方面,提供了一种工业视觉缺陷小样本增量学习与伪标签自训练方法,包括:获取缺陷标注工业视觉样本,根据缺陷特征保持约束对工业视觉样本进行自适应增强,形成小样本训练集,并利用小样本训练集获得稳定质检模型;利用稳定质检模型对无标注工业视觉图像进行推理,根据预测置信状态对无标注工业视觉图像进行分流,并将候选类别的图像特征与类别参考特征进行匹配,根据匹配结果筛选伪标签样本;对伪标签样本进行特征聚合校验,剔除偏离对应类别特征分布的异常样本,生成伪标签训练集;将无法与已知缺陷类别满足匹配条件的异常图像作为未知缺陷候选样本,根据未知缺陷候选样本的特征聚集状态生成新增缺陷候选集;基于新增缺陷候选集、伪标签训练集及历史缺陷样本构建增量训练集,以更新前的稳定质检模型约束待更新质检模型的特征表达并限制基础特征参数的更新范围,获得候选增量模型;根据新旧缺陷样本验证候选增量模型,在满足模型更新条件时,将候选增量模型更新为后续缺陷检测使用的稳定质检模型。
3、本申请实施例的第二方面,提供了一种工业视觉缺陷小样本增量学习与伪标签自训练系统,包括:获取模块,用于获取缺陷标注工业视觉样本,根据缺陷特征保持约束对工业视觉样本进行自适应增强,形成小样本训练集,并利用小样本训练集获得稳定质检模型;筛选模块,用于利用稳定质检模型对无标注工业视觉图像进行推理,根据预测置信状态对无标注工业视觉图像进行分流,并将候选类别的图像特征与类别参考特征进行匹配,根据匹配结果筛选伪标签样本;生成模块,用于对伪标签样本进行特征聚合校验,剔除偏离对应类别特征分布的异常样本,生成伪标签训练集;将无法与已知缺陷类别满足匹配条件的异常图像作为未知缺陷候选样本,根据未知缺陷候选样本的特征聚集状态生成新增缺陷候选集;构建模块,用于基于新增缺陷候选集、伪标签训练集及历史缺陷样本构建增量训练集,以更新前的稳定质检模型约束待更新质检模型的特征表达并限制基础特征参数的更新范围,获得候选增量模型;验证模块,用于根据新旧缺陷样本验证候选增量模型,在满足模型更新条件时,将候选增量模型更新为后续缺陷检测使用的稳定质检模型。
4、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
5、通过获取缺陷标注工业视觉样本,根据缺陷特征保持约束对工业视觉样本进行自适应增强,形成小样本训练集,并利用小样本训练集获得稳定质检模型;利用稳定质检模型对无标注工业视觉图像进行推理,根据预测置信状态对无标注工业视觉图像进行分流,并将候选类别的图像特征与类别参考特征进行匹配,根据匹配结果筛选伪标签样本;对伪标签样本进行特征聚合校验,剔除偏离对应类别特征分布的异常样本,生成伪标签训练集;将无法与已知缺陷类别满足匹配条件的异常图像作为未知缺陷候选样本,根据未知缺陷候选样本的特征聚集状态生成新增缺陷候选集;基于新增缺陷候选集、伪标签训练集及历史缺陷样本构建增量训练集,以更新前的稳定质检模型约束待更新质检模型的特征表达并限制基础特征参数的更新范围,获得候选增量模型;根据新旧缺陷样本验证候选增量模型,在满足模型更新条件时,将候选增量模型更新为后续缺陷检测使用的稳定质检模型。本申请能够提高小样本缺陷学习能力、降低伪标签噪声、减轻增量学习中的灾难性遗忘。
1.一种工业视觉缺陷小样本增量学习与伪标签自训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据缺陷特征保持约束对所述工业视觉样本进行自适应增强,形成小样本训练集,并利用所述小样本训练集获得稳定质检模型,包括:
3.根据权利要求1所述的方法,其特征在于,所述利用所述稳定质检模型对无标注工业视觉图像进行推理,根据预测置信状态对所述无标注工业视觉图像进行分流,并将候选类别的图像特征与类别参考特征进行匹配,根据匹配结果筛选伪标签样本,包括:
4.根据权利要求3所述的方法,其特征在于,所述利用所述稳定质检模型获得各无标注工业视觉图像的预测类别、预测置信状态及图像特征,并根据对应预测类别的可信分布确定置信分流边界,包括:
5.根据权利要求1所述的方法,其特征在于,所述对所述伪标签样本进行特征聚合校验,剔除偏离对应类别特征分布的异常样本,生成伪标签训练集,包括:
6.根据权利要求5所述的方法,其特征在于,所述将无法与已知缺陷类别满足匹配条件的异常图像作为未知缺陷候选样本,根据所述未知缺陷候选样本的特征聚集状态生成新增缺陷候选集,包括:
7.根据权利要求1所述的方法,其特征在于,所述基于所述新增缺陷候选集、所述伪标签训练集及历史缺陷样本构建增量训练集,以更新前的稳定质检模型约束待更新质检模型的特征表达并限制基础特征参数的更新范围,获得候选增量模型,包括:
8.根据权利要求7所述的方法,其特征在于,所述在所述蒸馏约束下,利用所述增量训练集更新所述参数更新范围内的模型参数,包括:
9.根据权利要求1所述的方法,其特征在于,所述根据新旧缺陷样本验证所述候选增量模型,在满足模型更新条件时,将所述候选增量模型更新为后续缺陷检测使用的稳定质检模型,包括:
10.一种工业视觉缺陷小样本增量学习与伪标签自训练系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com