1.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:包括如下步骤:
步骤S1.1、获取包含瑕疵的石材表面图片,将石材表面图片中不包含瑕疵的区域作为正样本图片、包含瑕疵的目标区域作为负样本图片,并获取正样本图片和负样本图片对应的掩模图片,由正样本图片、负样本图片和掩模图片组成数据集;
步骤S1.2、扩散前向传播步骤:分别将数据集中的正样本图片和负样本图片作为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全随机噪声靠近,得到全噪声表征;
步骤S1.3、掩模表征蒸馏步骤:将各输入图片得到的输入表征与相应输入图片对应的掩模图片点乘后,输入掩模引导的知识提炼网络,使知识提炼网络的学生模型学习掩模教师模型,以生成掩模表征;
步骤S1.4、语义表征生成步骤:将输入表征输入含多维特征金字塔的语义引导增强网络,由语义引导增强网络逐步精确定位到瑕疵区域,得到语义表征;
步骤S1.5、扩散反向去噪步骤:将所述全噪声表征、掩膜表征和语义表征进行拼接后,进行反向扩散以逐步去除噪声,并解码生成重建图片;
步骤S1.6、异常得分计算步骤:将数据集中的输入图片及其对应的重建图片均输入特征提取网络,得到不同尺度的特征图,并对于不同尺度的特征图进行余弦相似度计算得到异常得分;
步骤S1.7、异常排序机制可视化步骤:对各输入图片对应的异常得分进行排序,由大于设置的异常阈值的异常得分形成异常得分列表,将异常得分列表对应的输入图片的热力图反馈至用户;
所述步骤S1.2中,根据公式得到全噪声表征,其中,表示输入表征,表示编码器,X表示输入图片,表示平均反噪声强度,表示输入图片的第i个像素点对应的反噪声强度,表示输入图片的第i个像素点对应的噪声强度,T表示输入图片中的像素点数量,表示连乘运算,表示服从[0,1]正态分布的随机高斯噪声;
所述步骤S1.3具体包括如下步骤:
步骤S1.31、根据公式得到掩膜的潜在表征M0,其中,Mask表示输入图片X对应的掩模图片;
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模型,并设计总体损失函数对知识提炼网络进行训练,得到知识蒸馏后的学生模型参数,进而生成掩模表征,其中,总体损失函数表示为,为MSE均方误差,表示欧几里得距离,表示潜在表征M0输入掩模教师模型后得到的教师分布,表示潜在表征M0输入掩模学生模型后得到的学生分布,表示掩模教师模型,表示学生模型,表示Kullback-Leibler散度损失函数,表示Softmax函数,是温度参数,、是权重系数。
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,其特征在于:所述步骤S1.4中,根据公式得到语义表征,其中,表示SGDB块,表示空间感知特征融合块,表示SGEB块,表示广播运算,表示由多维特征金字塔得到的融合特征图,,表示对输入表征上采样得到的高分辨率特征图,表示对输入表征下采样得到的低分辨率特征图,和表示可学习加权系数。
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,其特征在于:所述步骤S1.5中,根据公式进行解码生成重建图片,其中,表示解码器,表示输出表征,表示SDDB块,表示SDM块,,,,表示SDEB块,表示SGM块,表示SGEB块。
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,其特征在于:所述步骤S1.6中,根据公式计算所述异常得分,其中,N表示特征提取网络中所用到的特征提取层数量,表示第n层特征提取层的上采样因子,表示第n层特征提取层所得到的异常图,表示第n层特征提取层所得到的特征图,表示预训练的特征提取网络的第n层特征提取层,n=1,2,…,N,表示矩阵转置运算,表示点积,表示叉乘;表示L2范数运算。
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,其特征在于:所述特征提取网络采用ResNet50网络架构。
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,其特征在于:所述步骤S1.7中,根据公式获取异常得分列表,其中,表示异常排序机制,表示异常阈值。