CN109584225A - 一种基于自编码器的无监督缺陷检测方法 - Google Patents
一种基于自编码器的无监督缺陷检测方法 Download PDFInfo
- Publication number
- CN109584225A CN109584225A CN201811408531.9A CN201811408531A CN109584225A CN 109584225 A CN109584225 A CN 109584225A CN 201811408531 A CN201811408531 A CN 201811408531A CN 109584225 A CN109584225 A CN 109584225A
- Authority
- CN
- China
- Prior art keywords
- image
- self
- reconstructed
- encoding encoder
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007689 inspection Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000002950 deficient Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于自编码器的无监督缺陷检测方法,该方法将待检测图像输入一训练好的自编码器模型,获得与所述待检测图像对应的重构图像,基于过滤小噪声重构误差的缺陷判断准则判断所述待检测图像是否有缺陷,所述缺陷判断准则成立时,判定为存在缺陷。与现有技术相比,本发明具有可以得到更好的重构效果、可以对小的重构噪声鲁棒等优点。
Description
技术领域
本发明涉及一种外观缺陷检测方法,尤其是涉及一种基于自编码器的无监督缺陷检测方法。
背景技术
外观缺陷检测是实际工业生产过程中重要的一个环节,通过缺陷检测可以实现对产品的质量控制。在实际工业流程中,大部分的外观检测是通过人工检查实现,这种方法比较费事并且受限于人的主观判断。因此对实际产品物体采样图像进行自动的缺陷检测有很重要的实际应用价值。
在实际生产过程中,由于产品合格率较高,很多时候很难获取大量的缺陷样本,因此无法采用需要大量正常样本及缺陷样本的有监督的方法。在基于正常样本进行无监督缺陷检测的方法中,自编码器是常用的一种方法。如文献“Residual Error Based AnomalyDetection Using Auto-Encoder in SMD Machine Sound”(Oh,D.Y.;Yun,I.D..Sensors2018,18,1308)中,自编码器被用来检测机器声音中的异常。该类方法基于一个自编码器模型实现对输入样本的编码解码重构成与输入样本接近一致的输出。
自编码器模型如图1所示,该模型的目的是对给定输入图像得到与输入图像尽可能一致的输出图像。输入图像X经过编码器(encoder)压缩成低维表示h,h再经过解码器(decoder)重构成与X同样大小的图像X’。模型中编码器及解码器的参数都基于训练图像学***滑性。
|X-X'|1 (1)
|X-X'|2 (2)
训练结束时,估计用于测试测试阶段的判断阈值τ。在测试阶段,通过测试图像的重构误差度量值的大小来实现缺陷检测。由于该自编码器只基于无缺陷样本进行训练,可以实现无缺陷样本上较好的重构从而得到较小的重构误差度量,但是在缺陷样本上重构误差度量较大,从而基于重构误差度量可以进行缺陷检测的判断。在测试阶段,对未见过的测试图像进行重构,并计算与训练过程同样的重构误差,然后基于重构误差进行缺陷检测判断,如果满足公式(3),则认为是缺陷。
|X-X'|1>τ (3)
但该类方法还存在缺点:在纹理稍微复杂的场景下重构效果不够好,导致基于重构误差图像的统计度量做缺陷检测不够鲁棒。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自编码器的无监督缺陷检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于自编码器的无监督缺陷检测方法,该方法将待检测图像输入一训练好的自编码器模型,获得与所述待检测图像对应的重构图像,基于过滤小噪声重构误差的缺陷判断准则判断所述待检测图像是否有缺陷,所述缺陷判断准则成立时,判定为存在缺陷。
进一步地,所述缺陷判断准则的表达式为:
式中,ΔX为由重构图像和待检测图像计算获得的重构误差图像,δX为过滤小噪声重构误差的二值图像,i,j表示像素位置,τ为重构误差度量阈值。
进一步地,所述重构误差度量阈值基于对模型缺陷检测能力的期望设定。
进一步地,所述重构误差度量阈值基于对缺陷检测召回率和准确率的平衡选择,当期待高准确率时,取所有训练图像重构误差的最大值作为重构误差度量阈值,当期望高召回率时,将训练图像重构误差度量的一种统计值作为重构误差度量阈值。
进一步地,所述二值图像定义为:
式中,ε为小噪声重构误差过滤阈值。
进一步地,所述自编码器模型训练过程中,采用的优化目标函数表达式为:
|X-X'|1+λ|X-X'|2
式中,X为输入图像,X'为重构图像,λ为权重。
进一步地,所述权重λ的取值范围为0.1-10。
与现有技术相比,本发明具有以如下有益效果:
1、本发明在自编码器训练时将优化的目标函数定义为兼容重构平滑性及稀疏性的损失,可以得到更好的重构效果即更小的重构误差;
2、本方案使用了对不同大小的缺陷区域鲁棒的缺陷评估度量准则,可以对小的重构噪声鲁棒,并且可以稳定检出不同大小的缺陷区域。
附图说明
图1为自编码器网络示意图;
图2为本发明自编码器网络的训练流程示意图;
图3为本发明自编码器网络的测试流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供一种基于自编码器的无监督缺陷检测方法,该方法将待检测图像输入一训练好的自编码器模型,获得与所述待检测图像对应的重构图像,基于过滤重构误差像素小于设定阈值的缺陷判断准则判断所述待检测图像是否有缺陷。
本发明中,自编码器模型的训练过程如图2所示,包括:
步骤S101,获取训练集图像;
步骤S102,训练模型,训练过程中采用的优化目标函数为:
|X-X'|1+λ|X-X'|2 (4)
上述函数既可以使得重构误差图像尽可能的稀疏性,又可以保证重构平滑性,λ为权重,通过取不同的值来实现自编码器的重构误差图像平滑性和稀疏性的平衡,值越大训练得到的重构误差图像越平滑,反之重构误差图像越稀疏,一般范围取为0.1-10;
步骤S103,估计重构误差度量阈值τ,及小噪声重构误差过滤阈值ε。
重构误差度量阈值τ的选择方式依赖于对模型缺陷检测能力的期望,一般基于对缺陷检测召回率和准确率的平衡进行选择。如果期待高的准确率,推荐方法是取所有训练图像重构误差的最大值;而如果期望召回率较高,推荐基于训练图像重构误差度量的一种统计值作为阈值,比如假设训练图像重构误差服从高斯分布,可以将高斯分布的90%分位值作为阈值。
在测试阶段,本发明定义一种新的缺陷判断准则实现更精确的缺陷检测。首先定义一个二值图像δX,如公式(5),用来指示重构误差较大的像素位置,参数ε用来过滤掉小的重构误差像素,基于训练集上的重构误差选取。
本发明定义较大重构误差像素点的平均值作为判断准则来进行缺陷检测,准则公式如下:
如图3所示,测试过程包括:
步骤S201,从测试集中取出图像,作为模型输入;
步骤S202,网络前向运算,得到重构图像;
步骤S203,计算重构误差图像;
步骤S204,采用公式(5)根据滤波阈值得到重构误差二值图像;
步骤S205,根据重构误差图像及二值图像计算判断准则度量;
步骤S206,判断度量是否大于阈值,即判断度量是否满足公式(6),若是,则判断图像有缺陷,若否,则判断图像无缺陷。
在进行未知图像检测时,利用上述测试过程对未知图像进行缺陷检测。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于自编码器的无监督缺陷检测方法,其特征在于,该方法将待检测图像输入一训练好的自编码器模型,获得与所述待检测图像对应的重构图像,基于过滤小噪声重构误差的缺陷判断准则判断所述待检测图像是否有缺陷,所述缺陷判断准则成立时,判定为存在缺陷。
2.根据权利要求1所述的基于自编码器的无监督缺陷检测方法,其特征在于,所述缺陷判断准则的表达式为:
式中,ΔX为由重构图像和待检测图像计算获得的重构误差图像,δX为过滤小噪声重构误差的二值图像,i,j表示像素位置,τ为重构误差度量阈值。
3.根据权利要求2所述的基于自编码器的无监督缺陷检测方法,其特征在于,所述重构误差度量阈值基于对模型缺陷检测能力的期望设定。
4.根据权利要求3所述的基于自编码器的无监督缺陷检测方法,其特征在于,所述重构误差度量阈值基于对缺陷检测召回率和准确率的平衡选择,当期待高准确率时,取所有训练图像重构误差的最大值作为重构误差度量阈值,当期望高召回率时,将训练图像重构误差度量的一种统计值作为重构误差度量阈值。
5.根据权利要求2所述的基于自编码器的无监督缺陷检测方法,其特征在于,所述二值图像定义为:
式中,ε为小噪声重构误差过滤阈值。
6.根据权利要求1所述的基于自编码器的无监督缺陷检测方法,其特征在于,所述自编码器模型训练过程中,采用的优化目标函数表达式为:
|X-X'|1+λ|X-X'|2
式中,X为输入图像,X'为重构图像,λ为权重。
7.根据权利要求1所述的基于自编码器的无监督缺陷检测方法,其特征在于,所述权重λ的取值范围为0.1-10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408531.9A CN109584225B (zh) | 2018-11-23 | 2018-11-23 | 一种基于自编码器的无监督缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408531.9A CN109584225B (zh) | 2018-11-23 | 2018-11-23 | 一种基于自编码器的无监督缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584225A true CN109584225A (zh) | 2019-04-05 |
CN109584225B CN109584225B (zh) | 2023-02-03 |
Family
ID=65923837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811408531.9A Active CN109584225B (zh) | 2018-11-23 | 2018-11-23 | 一种基于自编码器的无监督缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584225B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263807A (zh) * | 2019-05-13 | 2019-09-20 | 杭州安恒信息技术股份有限公司 | 基于auto-encoder的异常行为检测方法 |
CN111310819A (zh) * | 2020-02-11 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 数据筛选方法、装置、设备及可读存储介质 |
CN113256602A (zh) * | 2021-06-10 | 2021-08-13 | 中科云尚(南京)智能技术有限公司 | 一种基于自编码器的无监督风机叶片缺陷检测方法及*** |
CN114119463A (zh) * | 2021-10-08 | 2022-03-01 | 广东美卡智能信息技术有限公司 | 一种缺陷的检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020054293A1 (en) * | 2000-04-18 | 2002-05-09 | Pang Kwok-Hung Grantham | Method of and device for inspecting images to detect defects |
CN108537132A (zh) * | 2018-03-16 | 2018-09-14 | 中国人民解放军陆军工程大学 | 一种基于监督学习的深度自动编码器的道路分割方法 |
CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
WO2018209932A1 (zh) * | 2017-05-17 | 2018-11-22 | 清华大学 | 多量化深度二值特征学习方法及装置 |
-
2018
- 2018-11-23 CN CN201811408531.9A patent/CN109584225B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020054293A1 (en) * | 2000-04-18 | 2002-05-09 | Pang Kwok-Hung Grantham | Method of and device for inspecting images to detect defects |
WO2018209932A1 (zh) * | 2017-05-17 | 2018-11-22 | 清华大学 | 多量化深度二值特征学习方法及装置 |
CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
CN108537132A (zh) * | 2018-03-16 | 2018-09-14 | 中国人民解放军陆军工程大学 | 一种基于监督学习的深度自动编码器的道路分割方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263807A (zh) * | 2019-05-13 | 2019-09-20 | 杭州安恒信息技术股份有限公司 | 基于auto-encoder的异常行为检测方法 |
CN111310819A (zh) * | 2020-02-11 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 数据筛选方法、装置、设备及可读存储介质 |
CN113256602A (zh) * | 2021-06-10 | 2021-08-13 | 中科云尚(南京)智能技术有限公司 | 一种基于自编码器的无监督风机叶片缺陷检测方法及*** |
CN114119463A (zh) * | 2021-10-08 | 2022-03-01 | 广东美卡智能信息技术有限公司 | 一种缺陷的检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109584225B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584225A (zh) | 一种基于自编码器的无监督缺陷检测方法 | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN112381790A (zh) | 一种基于深度自编码的异常图像检测方法 | |
CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN106779217B (zh) | 空气质量检测方法和空气质量检测*** | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
CN112037166A (zh) | 一种表面缺陷检测方法及检测装置 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN115908311A (zh) | 基于机器视觉的镜片成型检测设备及其方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及*** | |
CN110308254B (zh) | 低溶解氧的精准监测方法 | |
CN110781755A (zh) | 一种建筑钢筋智能识别计量方法及*** | |
CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
CN117173098A (zh) | 一种基于rdms的齿轮表面缺陷检测方法 | |
CN110570022A (zh) | 一种基于mGBDT的建筑能耗预测方法和*** | |
CN115713511A (zh) | 传送带的检测方法、装置和电子设备 | |
CN116165213A (zh) | 一种不锈钢链条产品质量检验方法及*** | |
CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |