基于无锚框检测器和知识蒸馏的工业疵点检测算法

摘要

针对 CenterNet 算法在训练过程 中缺失较大长宽比疵点的中心点信息导致精度下降的问题，提出了一种自适应的标签编码策略，可以更好地回归具有较大长宽比的疵点的中心点信息从而提升检测性能，减少背景信息的干扰和负样本的产生。针对工业疵点图像背景更为复杂以及存在大量较大 长宽比的疵点的特点，基于 ResNet 提出了 ResNet-SP 网络，在 ResNet 中引入多尺度条 形池化模块（Multi-scale Strip Pooling，MSP）和分支池化模块（Branch Pooling Module， BPM）。将模型检测头输出的 预测信息同样视作可以用于指导学生模型训练的知识，提出了一种基于检测头输出信息 和特征层前景信息的知识蒸馏方法。针对特征层中冗余噪声信息过多的问题，使用自适 应高斯掩码对特征图中的前景信息建模，在抑制背景中冗余信息的同时突出前景目标信 息。通过知识蒸馏将教师模型特征层和检测头输出的特征知识转移到轻量级的学生模型 中，以离线蒸馏的方式使用教师模型输出的伪标签和数据集中的真实标签共同监督学生模型的训练。