1.基于模型交互的少样本电感磁芯表面缺陷检测方法,其特征在于,包括以下步骤:
步骤1、数据采集与图像预处理,构建三类样本数据集:正常样本、带标注样本、未标注样本;
步骤2、输入无缺陷的电感磁芯图像样本,构建基于统计学习的无监督统计模型,无监督统计模型采用基于高斯混合模型的统计学习方法构建;
步骤3、使用标注的正常及缺陷的电感磁芯图像构建监督语义分割模型;
步骤4、将待检测电感磁芯图像同时输入无监督统计模型和监督语义分割模型进行处理,生成分割结果;对图像中所有像素位置进行阈值判定得到无监督统计模型二值化分割图;并对图像中所有像素位置进行二值化处理得到监督语义分割模型掩膜图;
步骤5、比较无监督统计模型的二值化分割图与监督语义分割模型的掩膜图,量化检测结果差异;对同一张待检测图像,比较无监督统计模型生成的二值化分割图和监督语义分割模型生成的掩膜图,计算交并比指标来量化无监督统计模型和监督语义分割模型检测结果的重叠程度,并引入Dice系数评估检测一致性;综合相似度S以相等权重融合交并比和Dice系数两个指标,根据综合相似度S执行三级条件分支决策:当S≥0.75时,判定无监督统计模型和监督语义分割模型达成高度共识,将图像及掩膜加入监督语义分割模型训练集,用于权重更新,同时,筛选出无监督统计模型和监督语义分割模型均确认为正常的样本,将其特征送入无监督统计模型;当0.5≤ S < 0.75时,判定存在中度差异,将该图像送入人工复核队列,确认后反馈至相应模型优化;当S < 0.5时,判定存在明显分歧,此类样本暂不参与本轮模型更新;
步骤6、对无监督统计模型进行参数更新;
步骤7、将新一批待检测电感磁芯图像输入步骤6更新后的无监督统计模型,基于无监督统计模型生成伪标签;
步骤8、对监督语义分割模型进行权重更新;
步骤9、使用步骤7中处理的待检测电感磁芯图像批次输入到步骤6更新后的无监督统计模型和步骤8监督语义分割模型进行检测获取检测结果。
2.根据权利要求1所述的基于模型交互的少样本电感磁芯表面缺陷检测方法,其特征在于,所述步骤2构建无监督统计模型的具体操作如下:步骤2.1 特征提取与表示,对正常电感磁芯图像的每个像素位置(x,y),采用局部二值模式提取表面纹理特征;并结合像素的多尺度邻域信息构建特征向量,对所有正常样本像素的特征向量进行归一化处理;
步骤2.2 统计分布参数学习,使用期望最大化算法学习高斯混合模型的分布参数。
3.根据权利要求1所述的基于模型交互的少样本电感磁芯表面缺陷检测方法,其特征在于,所述步骤3中,采用DeepLabV3+架构作为监督语义分割模型;首先,将带标注的电感磁芯图像输入到改进的Xception作为主干网络,编码器通过深度可分离卷积提取特征,在输入阶段、中间阶段和输出阶段三个阶段逐步提取多层次特征;在编码器末端,引入ASPP模块,包含一个1×1卷积和三个不同膨胀率的3×3空洞卷积以及全局平均池化分支;然后,解码器通过双线性上采样将ASPP输出恢复到原图1/4分辨率,并与编码器低层特征融合;在训练阶段,监督语义分割模型采用组合损失函数,综合二元交叉熵损失和Dice损失。
4.根据权利要求1所述的基于模型交互的少样本电感磁芯表面缺陷检测方法,其特征在于,所述步骤6的具体操作如下:步骤6.1 高置信度正常样本扩充:从条件分支处理中,收集无监督统计模型和监督语义分割模型均确认为正常的电感磁芯图像,对这些图像采用像素级特征提取流程,计算每个像素的LBP值并结合多尺度邻域信息构建特征向量,经归一化处理后得到新增正常特征集合;
步骤6.2 高斯混合模型参数更新:将新增正常特征集合与原始正常训练集合并,形成扩充的正常样本训练集,采用EM算法更新高斯混合模型参数。
5.根据权利要求1所述的基于模型交互的少样本电感磁芯表面缺陷检测方法,其特征在于,所述步骤7的具体操作如下:步骤7.1 新一批图像缺陷检测:将新一批待检测电感磁芯图像输入步骤6更新后的无监督统计模型,对每张图像执行检测流程,即提取LBP特征,计算每个像素在高斯混合模型下的对数似然得分,生成缺陷概率图,基于优化后的检测阈值进行二值化处理,得到初步检测结果;
步骤7.2 伪标签生成与数据集扩充:基于无监督统计模型的检测结果,为每张图像生成对应的像素级伪标签掩膜;其中,正常图像的伪标签掩膜全为0,缺陷图像的伪标签掩膜中缺陷区域为255、正常区域为0。
6.根据权利要求1所述的基于模型交互的少样本电感磁芯表面缺陷检测方法,其特征在于,所述步骤8的具体操作如下:步骤8.1 构建训练数据集,包含两个来源:其一是步骤5中综合相似度S≥0.75的高一致性样本,赋予权重w=1.0;其二是步骤7生成的伪标签样本,包括正常样本和缺陷样本,赋予权重w=0.8;将其一和其二两类数据按8:2比例混合;
步骤8.2 采用微调策略更新监督语义分割模型权重。
7.根据权利要求1-6任一项所述的基于模型交互的少样本电感磁芯表面缺陷检测方法,其特征在于,通过步骤5→6→7→8→9的循环迭代机制,无监督统计模型与监督语义分割模型实现交互优化,无监督统计模型生成伪标签扩充训练集,监督语义分割模型反向校准统计特征,形成相互验证的良性循环。