CN111709920A - 模板缺陷检测方法 - Google Patents
模板缺陷检测方法 Download PDFInfo
- Publication number
- CN111709920A CN111709920A CN202010483881.2A CN202010483881A CN111709920A CN 111709920 A CN111709920 A CN 111709920A CN 202010483881 A CN202010483881 A CN 202010483881A CN 111709920 A CN111709920 A CN 111709920A
- Authority
- CN
- China
- Prior art keywords
- network
- defect
- data
- products
- defect detection
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000002360 preparation method Methods 0.000 abstract description 3
- 230000002950 deficient Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种模板缺陷检测方法，包括：从缺陷库中获取的小缺陷和良品通过融合得到产品缺陷数据，同时生成对应的标注数据；该网络的前半部分是以残差网络为基础的孪生网络，后半部分是特征融合及提取网络；网络的输入为良品和对应的生成缺陷样本、输出为标注，训练模型；通过训练学习得到对比网络，该对比网络具有对比两个样本不同之处的能力，网络的输出就是这两个输入样本的数据差异程度；通过对比网络输出两个产品之间的差异程度进而实现缺陷检测。本发明可通过对比网络输出两个产品之间的差异程度进而实现缺陷检测，省去了人为标注的时间成本，降低模型训练的前期准备工作，进而实现工作生产中产品的快速切换检测，提高产品生产效率。
Description
技术领域
本发明涉及缺陷检测领域，特别涉及一种模板缺陷检测方法。
背景技术
针对模板缺陷检测，目前存在传统算法和深度学习算法。传统算法缺点为算法的开发周期长和泛化能力差，对于一些复杂的样本传统算法的开发难度大，同时产品形状或大小或颜色等轻微变化都可能导致当前算法不再适用，需要专业的算法人员再次开发新算法，这导致传统算法漫长的维护周期和高昂成本。
当前深度学习算法应用于模板缺陷检测的基本操作流程如下，首先需要收集大量有缺陷产品数据和无缺陷产品数据，然后通过人工进行相应的数据标签标记，最后训练模型应用于工业生产线上，然而前两步的工作需要消耗大量的人力和时间，限制了深度网络模型的快速替换，这就在一定程度上降低生产效率。
同时对于一些产品良品率极高，次品率极低，收集大量的缺陷数据就极不现实，否则会引起样本数据失衡的严重错误，数据的收集以及标记的时间人力投入制约相当一部分工业生产商应用深度学习算法。
发明内容
本发明提供了一种模板缺陷检测方法，以解决至少一个上述技术问题。
为解决上述问题，作为本发明的一个方面，提供了一种模板缺陷检测方法，包括：
步骤1，收集模板良品数据：从缺陷库中获取的小缺陷和良品通过融合得到产品缺陷数据，同时生成对应的标注数据；
步骤2，构建一个双输入的网络模型：该网络的前半部分是以残差网络为基础的孪生网络，后半部分是特征融合及提取网络；
步骤3，把训练数据放入所述网络：网络的输入为良品和对应的生成缺陷样本、输出为标注，训练模型；
步骤4，通过训练学习得到对比网络，该对比网络具有对比两个样本不同之处的能力，网络的输出就是这两个输入样本的数据差异程度；
步骤5，通过对比网络输出两个产品之间的差异程度进而实现缺陷检测。
优选地，缺陷检测包括是否存在缺陷及缺陷的位置、大小等。
优选地，对比网络输出结果为热力图，热力图上数值越大代表两个样本在该处的差异性越大。
优选地，通过设置阈值等处理计算出产品是否存在缺陷以及对应的缺陷大小等。
由于采用了上述技术方案，本发明可通过对比网络输出两个产品之间的差异程度进而实现缺陷检测，因而对于模板产品生产检测省去了人为标注的时间成本，降低模型训练的前期准备工作，进而实现工作生产中产品的快速切换检测，提高产品生产效率。
附图说明
图1示意性地示出了本发明的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
现有技术中的深度学习算法应用于模板缺陷检测需要收集整理缺陷数据以及数据的标注，这需要投入高昂的人工及时间成本。为了克服此问题，本发明根据产品模板的特性构建一个双输入的深度模型对比网络，该方案并不需要收集缺陷数据样本以及对样本进行标注，能极大降低生产成本。
对于模板产品生产而言，两个良品之间的一致性极高，良品与次品之间会在某些地方存在一定程度的差异，此不一致之处就是次品的缺陷所在。为此本发明首先收集产品良品，利用传统的图像方法制造缺陷样本及生成对应的标注，然后构造一个双输入的卷积网络，该网络前半部分为孪生网络用于提取特证，网络的后半部分是网络特征融合之后并输出结果，输出结果为热力图，热力图上数值越大代表两个样本在该处的差异性越大，最后通过传统的方法设置阈值等处理即可计算出产品是否存在缺陷以及对应的缺陷大小等。
本发明的具体操作方法和步骤如下：
步骤1：收集模板良品数据，从缺陷库中获取的小缺陷和良品通过传统方法融合得到产品缺陷数据，同时生成对应的标注数据。
步骤2：构建一个双输入的网络模型，该网络的前半部分是以残差网络为基础的孪生网络，后半部分是特征融合及提取网络。
步骤3：把训练数据放入以上网络，网络的输入为良品和对应的生成缺陷样本，输出为标注，训练模型。
步骤4：由于学习到的网络模型拥有对比两个样本不同之处的能力，所以称为对比网络，网络的输出就是这两个输入样本的数据差异程度，通过设置一定的阈值，然后通过一些传统算法获取产品是否存在缺陷以及缺陷位置大小等。
由于采用了上述技术方案，本发明可通过对比网络输出两个产品之间的差异程度进而实现缺陷检测，因而对于模板产品生产检测省去了人为标注的时间成本，降低模型训练的前期准备工作，进而实现工作生产中产品的快速切换检测，提高产品生产效率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种模板缺陷检测方法，其特征在于，包括：
步骤1，收集模板良品数据：从缺陷库中获取的小缺陷和良品通过融合得到产品缺陷数据，同时生成对应的标注数据；
步骤2，构建一个双输入的网络模型：该网络的前半部分是以残差网络为基础的孪生网络，后半部分是特征融合及提取网络；
步骤3，把训练数据放入所述网络：网络的输入为良品和对应的生成缺陷样本、输出为标注，训练模型；
步骤4，通过训练学习得到对比网络，该对比网络具有对比两个样本不同之处的能力，网络的输出就是这两个输入样本的数据差异程度；
步骤5，通过对比网络输出两个产品之间的差异程度进而实现缺陷检测。
2.根据权利要求1所述的模板缺陷方法，其特征在于，缺陷检测包括是否存在缺陷及缺陷的位置、大小等。
3.根据权利要求2所述的模板缺陷检测方法，其特征在于，对比网络输出结果为热力图，热力图上数值越大代表两个样本在该处的差异性越大。
4.根据权利要求3所述的模板缺陷检测方法，其特征在于，通过设置阈值等处理计算出产品是否存在缺陷以及对应的缺陷大小等。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010483881.2A CN111709920A (zh) | 2020-06-01 | 2020-06-01 | 模板缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010483881.2A CN111709920A (zh) | 2020-06-01 | 2020-06-01 | 模板缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111709920A true CN111709920A (zh) | 2020-09-25 |
Family
ID=72538808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010483881.2A Pending CN111709920A (zh) | 2020-06-01 | 2020-06-01 | 模板缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709920A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
| CN113160200A (zh) * | 2021-04-30 | 2021-07-23 | 聚时科技(上海)有限公司 | 一种基于多任务孪生网络的工业图像缺陷检测方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727246A (zh) * | 2019-01-26 | 2019-05-07 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
| CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
| CN110288013A (zh) * | 2019-06-20 | 2019-09-27 | 杭州电子科技大学 | 一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法 |
| CN110533654A (zh) * | 2019-08-30 | 2019-12-03 | 北京明略软件***有限公司 | 零部件的异常检测方法及装置 |
| CN110852373A (zh) * | 2019-11-08 | 2020-02-28 | 深圳市深视创新科技有限公司 | 基于视觉的无缺陷样本深度学习网络训练方法 |
| US20200073850A1 (en) * | 2018-09-05 | 2020-03-05 | General Electric Company | Methods and systems for generating device-specific machine learning model |
| CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测***及方法 |
-
2020
- 2020-06-01 CN CN202010483881.2A patent/CN111709920A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200073850A1 (en) * | 2018-09-05 | 2020-03-05 | General Electric Company | Methods and systems for generating device-specific machine learning model |
| CN109727246A (zh) * | 2019-01-26 | 2019-05-07 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
| CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
| CN110288013A (zh) * | 2019-06-20 | 2019-09-27 | 杭州电子科技大学 | 一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法 |
| CN110533654A (zh) * | 2019-08-30 | 2019-12-03 | 北京明略软件***有限公司 | 零部件的异常检测方法及装置 |
| CN110852373A (zh) * | 2019-11-08 | 2020-02-28 | 深圳市深视创新科技有限公司 | 基于视觉的无缺陷样本深度学习网络训练方法 |
| CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴运雄: "基于孪生网络的缺陷检测方法", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
| CN112907543B (zh) * | 2021-02-24 | 2024-03-26 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
| CN113160200A (zh) * | 2021-04-30 | 2021-07-23 | 聚时科技(上海)有限公司 | 一种基于多任务孪生网络的工业图像缺陷检测方法及*** |
| CN113160200B (zh) * | 2021-04-30 | 2024-04-12 | 聚时科技(上海)有限公司 | 一种基于多任务孪生网络的工业图像缺陷检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6573226B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
| CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
| CN111709920A (zh) | 模板缺陷检测方法 | |
| WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| CN112070712B (zh) | 基于自编码器网络的印刷缺陷检测方法 | |
| CN104268940B (zh) | 基于ct扫描图像的mems结构重构与检测方法 | |
| CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理***及方法 | |
| CN110852373A (zh) | 基于视觉的无缺陷样本深度学习网络训练方法 | |
| CN101853393B (zh) | 机器视觉***检测算法的自动产生和自动学习方法 | |
| CN112598142B (zh) | 一种风电机组检修工作质量审查辅助方法与*** | |
| CN116843107B (zh) | 一种基于bim技术的建筑信息智能管理*** | |
| CN111737067A (zh) | 一种硬盘故障预测模型解释方法及装置 | |
| CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
| CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
| CN114155914B (zh) | 基于宏基因组拼接错误的检测校正*** | |
| CN115587333A (zh) | 一种基于多分类模型的失效分析故障点预测方法及*** | |
| CN110796187A (zh) | 不良分类方法及装置 | |
| CN112255383A (zh) | 一种基于大数据的水质监测分析*** | |
| KR101904643B1 (ko) | 의사결정트리를 이용한 기사 생성 방법 | |
| CN117282687B (zh) | 印刷品视觉检测自动剔补标控制*** | |
| CN117349462B (zh) | 一种遥感智能解译样本数据集生成方法 | |
| CN114037679A (zh) | 一种基于无监督特征组合的产品图像缺陷检测方法及装置 | |
| CN114958437B (zh) | 煤气化装置立体监控方法及*** | |
| CN117829678A (zh) | 结合多场景拟合的车辆质检方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |