CN113112497B - 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 - Google Patents
一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113112497B CN113112497B CN202110487504.0A CN202110487504A CN113112497B CN 113112497 B CN113112497 B CN 113112497B CN 202110487504 A CN202110487504 A CN 202110487504A CN 113112497 B CN113112497 B CN 113112497B
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- attribute
- feature
- neural network
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 137
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000025962 Crush injury Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001373 regressive effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例中提供了一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质,所述基于零样本学习的工业外观缺陷检测方法通过获取待检测样品的图片;将待检测样品进行类别与属性的标注;根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间,得到属性标签信息;根据属性标签信息确定待检测样品的缺陷类型;根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置。本公开实施例具有如下优点:可以高效地利用过往数据和外部数据库,极大程度地减少模型对于待检测缺陷样品数量的依赖。本公开实施例避免了较少卷积层对图像特征提取不够充分且特征模糊的缺点,且仅仅使用5个卷积层足以提取缺陷的特征,避免了过多卷积层带来的巨大的计算量的问题,减少了占用资源也节省了总体识别时间。
Description
技术领域
本公开涉及神经网络技术领域,尤其涉及一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质。
背景技术
随着国家工业化水平的不断发展,日常生产生活中用到的诸多物品、配件都由工业生产线制造。在工业生产过程中,生产环境的变化,机械误差,坯料的质量等种种因素有概率导致生产出的产品包含多种瑕疵(例如压伤、划伤、异物、异色、尺寸差异等),由于这些缺陷会影响产品性能或降低用户体验,因此工业外观缺陷检测方法需要在出厂前将其检出。尽管在过去的十几年中,工业产品生产有了极大的进步且生产需求日益增加,但对相关工业产品的缺陷检测仍依赖人工完成,现在主流的人工目视检测不仅效率低下,而且检测标准主观因素大,严重制约工业制造的自动化进程,并且人工在线缺陷检测不但会使成本上升,也对人力资源提出了考验。
近年来,基于机器视觉的自动化缺陷检测方法被广大研究者所关注,也越来越受到工厂的青睐,但现行方法大多数依赖于训练深度神经网络,其过程基本分为两步:
通过工业相机采集一系列良品和缺陷产品的图片,在图片上标注是否有缺陷,缺陷种类及缺陷发生位置。
将标注的数据输入到神经网络中训练网络参数,从而得到具有较高准确率的模型。
然而,深度神经网络参数庞大,较好的性能往往依赖于大量的数据,而这是与实际情况相悖的:投入量产的工业品良率需要保持在一定水平之上,生产中能采集到的缺陷产品少之又少,且分布不均衡。
发明内容
有鉴于此,本公开实施例提供一种基于零样本学习的工业外观缺陷检测方法,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种基于零样本学习的工业外观缺陷检测方法,所述基于零样本学习的工业外观缺陷检测方法包括:
获取待检测样品的图片;
将待检测样品进行类别与属性的标注;
根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间,得到属性标签信息;
根据属性标签信息确定待检测样品的缺陷类型;
根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置。
根据本公开实施例的一种具体实现方式,所述根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间,得到属性标签信息的步骤中的训练好的深度神经网络模型的训练方法包括:
建立具有缺陷的样品的缺陷样品图片数据库;
建立深度神经网络;
根据缺陷样品图片数据库中的图片训练所述深度神经网络和回归网络,所述深度神经网络的训练用以学习一种图片特征空间到属性空间的映射f,所述深度神经网络用于根据映射f推断缺陷类别;所述回归网络的训练用于预测缺陷的位置。
根据本公开实施例的一种具体实现方式,所述根据缺陷样品图片数据库中的图片训练所述深度神经网络的步骤包括:
将缺陷样品图片数据库的样本及其对应属性标签信息输入至深度神经网络进行特征提取与分类回归得到缺陷的位置与属性置信度;
训练深度神经网络根据属性置信度推断缺陷类别以及训练回归网络预测缺陷发生位置;
将所得到的缺陷位置和缺陷的属性置信度与预定的标准值进行对比,根据比对结果调整深度神经网络中的参数权值,完成深度神经网络的训练。
根据本公开实施例的一种具体实现方式,所述将待检测样品进行类别与属性的标注的步骤,包括:
建立属性标签库和缺陷种类标签库,所述属性标签库分别记为(A1,A2,…,AN),所述缺陷种类标签记为(D1,D2,…,DM);
将属性标签和缺陷种类标签融合为按照缺陷种类Di以(D11,D22,…,DMM)的线性组合的形式表达。
根据本公开实施例的一种具体实现方式,所述的神经网络包括5个依次级联的特征提取基本单元,每个特征提取单元包括依次连接的卷积层、局部响应归一化层、最大值池化层和平均值池化层。
根据本公开实施例的一种具体实现方式,所述的卷积层利用卷积核在图像上滑动,对图像进行卷积操作,从而提取输入图像特征得到粗略的特征图;
所述的局部响应归一化层采用3像素*3像素的领域在卷积层中得到的较为粗略的特征图上滑动,并对每个领域内的像素值进行均值和方差的归一化,得到不受光照变化影响的粗略的特征图;
所述的最大池化层采用3像素*3像素的领域在局部响应归一化层中得到的粗略的特征图上滑动,并对每个领域内的所有像素值取最大值,得到具有平移不变性的较为精确的特征图;
所述的平均池化层采用3像素*3像素的领域在最大池化层中得到的较为精确的特征图上滑动,并对每个领域内的所有像素值取平均值,得到对微小形变有鲁棒性的精确的特征图,所述的精确的特征图即最终对应的特征提取基本单元输出的特征图;
图片经过5个依次级联的特征提取基本单元最终输出特征图像。
根据本公开实施例的一种具体实现方式,5个依次级联的特征提取基本单元中的卷积层设置方式如下:
第一个特征提取基本单元中,卷积核大小为7,用于提取较大的特征,输出特征图数目为30;
第二个特征提取基本单元中,卷积核大小为5,用于提取中等大小的特征,输出特征图数目为50;
第三个特征提取基本单元中,卷积核大小为3,用于提取较小的特征,输出特征图数目为90;
第四个特征提取基本单元中,卷积核大小为3,用于提取细节特征,输出特征图数目为128;
第五个特征提取基本单元中,卷积核大小为3,用于提取细节特征,输出特征图数目为256。
根据本公开实施例的一种具体实现方式,所述的分类器与回归器网络依次级联的第一全连接层和第二全连接层,所述第一全连接层输入特征图像,第二全连接层输出端连接有分类器和回归器;
所述的第一全连接层对特征提取网络输出的特征图像进行加权计算,得到特征向量;所述的第二全连接层对第一全连接层输出的特征向量进行加权计算,得到细化且特征突出的特征向量;所述的分类器对第二全连接层输出的细化且特征突出的特征向量进行判断,判断是否属于缺陷并给出属于缺陷的置信度;所述的回归器对第二全连接层输出的细化且特征突出的特征向量进行回归处理,得到检测出的缺陷的位置信息。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于零样本学习的工业外观缺陷检测方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于零样本学习的工业外观缺陷检测方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于零样本学习的工业外观缺陷检测方法。
本公开实施例中的基于零样本学习的工业外观缺陷检测方法通过获取待检测样品的图片;将待检测样品进行类别与属性的标注;根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间,得到属性标签信息;根据属性标签信息确定待检测样品的缺陷类型;根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置。本发明具有如下优点:
(1)与现有训练神经网络检测缺陷的技术不同,本发明基于零样本学习可以高效地利用过往数据和外部数据库,极大程度地减少模型对于待检测缺陷样品数量的依赖。
(2)本发明特征提取网络采用5个依次级联的特征提取基本单元,分别提取了图像中较大、中等、较细节的特征,一方面避免了较少卷积层对图像特征提取不够充分且特征模糊的缺点,另一方面仅仅使用5个卷积层足以提取缺陷的特征,避免了过多卷积层带来的巨大的计算量的问题,减少了占用资源也节省了总体识别时间。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的基于零样本学习的工业外观缺陷检测方法的流程示意图。
图2为本发明实施例提供的基于零样本学习的工业外观缺陷检测方法的标注原理示意图。
图3为本发明实施例提供的基于零样本学习的工业外观缺陷检测方法的框架示意图。
图4为本发明实施例提供的基于零样本学习的工业外观缺陷检测方法的神经网络结构及参数说明图。
图5为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种的基于零样本学习的工业外观缺陷检测方法。本实施例提供的消息发送方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1~图4,本公开实施例提供的一种基于零样本学习的工业外观缺陷检测方法,包括:
本发明的外观缺陷检测方法的特征在于,在上述发明中,一种基于零样本学习的工业外观缺陷检测方法包括如下步骤:
(S1)构建外部缺陷品数据库。
(S2)在外部缺陷品数据库上进行类别至属性的标注。
需要说明的是,类别与属性标注在本体上不同。以对猫狗马大象标注为例,类别上的标注方法为,如果图中出现的是猫,即标为猫,出现的是狗,既标为狗。而属性的标注不考虑整体属于哪一种动物,只关心属性的存在与否,比如对于一组属性:(四条腿,哺乳动物,有尾巴,会爬树。)以1表示有,0表示无,猫的图片标注即为(1,1,1,1),狗的图片标注即为(1,1,1,0)。
(S3)利用外部缺陷品数据库中的图片训练神经网络,学习一种图片特征空间到属性空间的映射f用以推断缺陷类别;
利用外部缺陷品数据库中的图片训练一个回归网络以预测缺陷发生位置。
(S4)对于待解决缺陷,按步骤(S2)进行类别至属性的标注。
(S5)利用步骤(S3)中回归网络和映射f,将待检测样品的图片信息投影到属性空间,根据待解决缺陷的属性标签信息,确定缺陷类型,由回归网络定位缺陷发生位置。
本发明中的神经网络预测的是属性的有无,再通过属性的有无推断出属于哪一种缺陷。
本发明的外观缺陷检测方法的特征在于,在上述发明中,步骤(S2)中缺陷类别至属性的标注包括如下步骤:
(S201)首先定义一组属性标签,记为(A1,A2,…,AN);如(有无金属材质,有无颜色差异,…,有无尺寸异常)。
(S202)整理缺陷种类标签,记为(D1,D2,…,DM);如(压伤,划伤,…, 破网)。
(S203)依次将缺陷种类Di以(D11,D22,…,DMM)的线性组合的形式重新表达。如压伤可表示为压伤:[有金属材质,有颜色差异,无尺寸异常]。
本发明的外观缺陷检测方法的特征在于,在上述发明中,步骤(S3)中神经网络和映射f的训练方法为:
(S301)建立所述的神经网络;
(S302)将外部缺陷数据样本及其对应属性标注信息输入至深度神经进行特征提取与分类回归得到缺陷的位置与属性置信度,进一步地,由属性置信度推断缺陷类别;
(S303)将步骤(S302)得到的缺陷位置和缺陷的置信度与Ground Truth 进行对比,调整深度网络中的参数权值,完成深度网络的训练。最终得到映射f: X→A,其中X表示图片,A表示属性标签;和回归网络预测缺陷发生位置。
特别地,本发明的外观缺陷检测方法的特征在于,在上述发明中,神经网络的结构设计与属性标签的划定不局限于某一种特殊的形式。
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的神经网络包括5个依次级联的特征提取基本单元,每个特征提取单元包括依次连接的卷积层、局部响应归一化层、最大值池化层和平均值池化层。
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的卷积层利用卷积核在图像上滑动,对图像进行卷积操作,从而提取输入图像特征得到较为粗略的特征图。
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的局部响应归一化层采用3像素*3像素的领域在卷积层中得到的较为粗略的特征图上滑动,并对每个领域内的像素值进行均值和方差的归一化,得到不受光照变化影响的粗略的特征图。
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的最大池化层采用3像素*3像素的领域在局部响应归一化层中得到的粗略的特征图上滑动,并对每个领域内的所有像素值取最大值,得到具有平移不变性的较为精确的特征图。
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的平均池化层采用3像素*3像素的领域在最大池化层中得到的较为精确的特征图上滑动,并对每个领域内的所有像素值取平均值,得到对微小形变有鲁棒性的精确的特征图,所述的精确的特征图即最终对应的特征提取基本单元输出的特征图。
本发明的外观缺陷检测方法的特征在于,在上述发明中,图片经过5个依次级联的特征提取基本单元最终输出特征图像。
本发明的外观缺陷检测方法的特征在于,在上述发明中,5个依次级联的特征提取基本单元中的卷积层设置方式如下:
本发明的外观缺陷检测方法的特征在于,在上述发明中,第一个特征提取基本单元中,卷积核大小为7,用于提取较大的特征,输出特征图数目为30;
本发明的外观缺陷检测方法的特征在于,在上述发明中,第二个特征提取基本单元中,卷积核大小为5,用于提取中等大小的特征,输出特征图数目为 50;
本发明的外观缺陷检测方法的特征在于,在上述发明中,第三个特征提取基本单元中,卷积核大小为3,用于提取较小的特征,输出特征图数目为90;
本发明的外观缺陷检测方法的特征在于,在上述发明中,第四个特征提取基本单元中,卷积核大小为3,用于提取细节特征,输出特征图数目为128;
本发明的外观缺陷检测方法的特征在于,在上述发明中,第五个特征提取基本单元中,卷积核大小为3,用于提取细节特征,输出特征图数目为256。
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的分类器与回归器网络依次级联的第一全连接层和第二全连接层,所述第一全连接层输入特征图像,第二全连接层输出端连接有分类器和回归器;
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的第一全连接层对特征提取网络输出的特征图像进行加权计算,得到特征向量;
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的第二全连接层对第一全连接层输出的特征向量进行加权计算,得到细化且特征突出的特征向量;
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的分类器对第二全连接层输出的细化且特征突出的特征向量进行判断,判断是否属于缺陷并给出属于缺陷的置信度;
本发明的外观缺陷检测方法的特征在于,在上述发明中,所述的回归器对第二全连接层输出的细化且特征突出的特征向量进行回归处理,得到检测出的缺陷的位置信息。
与现有技术相比,本发明具有如下优点:
(1)与现有训练神经网络检测缺陷的技术不同,本发明基于零样本学习可以高效地利用过往数据和外部数据库,极大程度地减少模型对于待检测缺陷样品数量的依赖。
(2)本发明特征提取网络采用5个依次级联的特征提取基本单元,分别提取了图像中较大、中等、较细节的特征,一方面避免了较少卷积层对图像特征提取不够充分且特征模糊的缺点,另一方面仅仅使用5个卷积层足以提取缺陷的特征,避免了过多卷积层带来的巨大的计算量的问题,减少了占用资源也节省了总体识别时间。
参见图5,本公开实施例还提供了一种电子设备50,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于零样本学习的工业外观缺陷检测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于零样本学习的工业外观缺陷检测方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的基于零样本学习的工业外观缺陷检测方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备50的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O) 接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509 从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、 Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN) —连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于零样本学习的工业外观缺陷检测方法,其特征在于,所述基于零样本学习的工业外观缺陷检测方法包括:
获取待检测样品的图片;
将待检测样品进行类别与属性的标注;
根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间,得到属性标签信息;
根据属性标签信息确定待检测样品的缺陷类型;
根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置;
所述根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间,得到属性标签信息的步骤中的训练好的深度神经网络模型的训练方法包括:
建立具有缺陷的样品的缺陷样品图片数据库;
建立深度神经网络;
根据缺陷样品图片数据库中的图片训练所述深度神经网络和回归网络,所述深度神经网络的训练用以学习一种图片特征空间到属性空间的映射f,所述深度神经网络用于根据映射f推断缺陷类别;所述回归网络的训练用于预测缺陷的位置。
2.根据权利要求1所述的基于零样本学习的工业外观缺陷检测方法,其特征在于,所述根据缺陷样品图片数据库中的图片训练所述深度神经网络的步骤包括:
将缺陷样品图片数据库的样本及其对应属性标签信息输入至深度神经网络进行特征提取与分类回归得到缺陷的位置与属性置信度;
训练深度神经网络根据属性置信度推断缺陷类别以及训练回归网络预测缺陷发生位置;
将所得到的缺陷位置和缺陷的属性置信度与预定的标准值进行对比,根据比对结果调整深度神经网络中的参数权值,完成深度神经网络的训练。
3.根据权利要求1所述的基于零样本学习的工业外观缺陷检测方法,其特征在于,所述将待检测样品进行类别与属性的标注的步骤,包括:
建立属性标签库和缺陷种类标签库,所述属性标签库分别记为(A1,A2,……,AN),所述缺陷种类标签记为(D1,D2,……,DM) ;
将属性标签和缺陷种类标签融合为按照缺陷种类Di以(D11,D22,……,DMM)的线性组合的形式表达。
4.根据权利要求1~3任一项所述的基于零样本学***均值池化层。
5.根据权利要求4所述的基于零样本学习的工业外观缺陷检测方法,其特征在于,所述的卷积层利用卷积核在图像上滑动,对图像进行卷积操作,从而提取输入图像特征得到粗略的特征图;
所述的局部响应归一化层采用3像素*3像素的领域在卷积层中得到的粗略的特征图上滑动,并对每个领域内的像素值进行均值和方差的归一化,得到不受光照变化影响的粗略的特征图;
所述的最大值池化层采用3像素*3像素的领域在局部响应归一化层中得到的粗略的特征图上滑动,并对每个领域内的所有像素值取最大值,得到具有平移不变性的精确的特征图;
所述的平均值池化层采用3像素*3像素的领域在最大值池化层中得到的精确的特征图上滑动,并对每个领域内的所有像素值取平均值,得到对微小形变有鲁棒性的精确的特征图,所述的精确的特征图即最终对应的特征提取基本单元输出的特征图;
图片经过5个依次级联的特征提取基本单元最终输出特征图像。
6.根据权利要求4所述的基于零样本学习的工业外观缺陷检测方法,其特征在于,5个依次级联的特征提取基本单元中的卷积层设置方式如下:
第一个特征提取基本单元中,卷积核大小为7,用于提取较大的特征,输出特征图数目为30; .
第二个特征提取基本单元中,卷积核大小为5,用于提取中等大小的特征,输出特征图数目为50;
第三个特征提取基本单元中,卷积核大小为3,用于提取较小的特征,输出特征图数目为90;
第四个特征提取基本单元中,卷积核大小为3,用于提取细节特征,输出特征图数目为128;
第五个特征提取基本单元中,卷积核大小为3,用于提取细节特征,输出特征图数目为256。
7.根据权利要求4所述的基于零样本学习的工业外观缺陷检测方法,其特征在于,所述的分类器与回归器网络依次级联的第一全连接层和第二全连接层,所述第一全连接层输入特征图像,第二全连接层输出端连接有分类器和回归器;
所述的第一全连接层对特征提取网络输出的特征图像进行加权计算,得到特征向量;
所述的第二全连接层对第一全连接层输出的特征向量进行加权计算,得到细化且特征突出的特征向量;所述的分类器对第二全连接层输出的细化且特征突出的特征向量进行判断,判断是否属于缺陷并给出属于缺陷的置信度;所述的回归器对第二全连接层输出的细化且特征突出的特征向量进行回归处理,得到检测出的缺陷的位置信息。
8.一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行如权利要求l~7任一项基于零样本学习的工业外观缺陷检测方法。
9.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1~7中任一项所述的基于零样本学习的工业外观缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487504.0A CN113112497B (zh) | 2021-05-06 | 2021-05-06 | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487504.0A CN113112497B (zh) | 2021-05-06 | 2021-05-06 | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112497A CN113112497A (zh) | 2021-07-13 |
CN113112497B true CN113112497B (zh) | 2024-06-07 |
Family
ID=76720847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110487504.0A Active CN113112497B (zh) | 2021-05-06 | 2021-05-06 | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112497B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637270B (zh) * | 2022-05-17 | 2022-08-23 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
CN114708268A (zh) * | 2022-06-08 | 2022-07-05 | 深圳市智宇精密五金塑胶有限公司 | 一种五金零件缺陷检测方法及*** |
CN117455317B (zh) * | 2023-12-22 | 2024-04-02 | 深圳市鸿云智科技有限公司 | 烟支外观缺陷影响因素确定方法、***、存储介质及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN106980876A (zh) * | 2017-03-13 | 2017-07-25 | 南京邮电大学 | 一种基于鉴别性样本属性学习的零样本图像识别方法 |
CN108846311A (zh) * | 2018-04-28 | 2018-11-20 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的检测面部皮肤片状缺陷的方法及装置 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN110599469A (zh) * | 2019-08-30 | 2019-12-20 | 中国铁道科学研究院集团有限公司 | 一种动车组关键部位的缺陷检测方法、***及电子设备 |
CN112017182A (zh) * | 2020-10-22 | 2020-12-01 | 北京中鼎高科自动化技术有限公司 | 一种工业级智能表面缺陷检测方法 |
CN112037215A (zh) * | 2020-09-09 | 2020-12-04 | 华北电力大学(保定) | 一种基于零样本学习的绝缘子缺陷检测方法及*** |
-
2021
- 2021-05-06 CN CN202110487504.0A patent/CN113112497B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN106980876A (zh) * | 2017-03-13 | 2017-07-25 | 南京邮电大学 | 一种基于鉴别性样本属性学习的零样本图像识别方法 |
CN108846311A (zh) * | 2018-04-28 | 2018-11-20 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的检测面部皮肤片状缺陷的方法及装置 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN110599469A (zh) * | 2019-08-30 | 2019-12-20 | 中国铁道科学研究院集团有限公司 | 一种动车组关键部位的缺陷检测方法、***及电子设备 |
CN112037215A (zh) * | 2020-09-09 | 2020-12-04 | 华北电力大学(保定) | 一种基于零样本学习的绝缘子缺陷检测方法及*** |
CN112017182A (zh) * | 2020-10-22 | 2020-12-01 | 北京中鼎高科自动化技术有限公司 | 一种工业级智能表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113112497A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112497B (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
CN110378410B (zh) | 多标签场景分类方法、装置及电子设备 | |
CN111291071B (zh) | 数据处理方法、装置及电子设备 | |
CN114385869A (zh) | 检测数据异常的方法、装置、存储介质及计算机设备 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN112183627B (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN111753114A (zh) | 图像预标注方法、装置及电子设备 | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
CN117710756B (zh) | 一种目标检测及模型训练方法、装置、设备、介质 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和*** | |
CN113065634B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN113936232A (zh) | 一种碎屏识别方法、装置、设备和存储介质 | |
CN113971400B (zh) | 一种文本检测方法、装置、电子设备及存储介质 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN112784189A (zh) | 一种识别页面图像的方法和装置 | |
CN112651942B (zh) | 布局检测方法和装置 | |
CN115601546A (zh) | 一种实例分割模型训练方法、装置及可读介质 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN114936395A (zh) | 一种户型图识别方法、装置、计算机设备及存储介质 |
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 |