CN113362313A - 一种基于自监督学习的缺陷检测方法及*** - Google Patents
一种基于自监督学习的缺陷检测方法及*** Download PDFInfo
- Publication number
- CN113362313A CN113362313A CN202110679316.8A CN202110679316A CN113362313A CN 113362313 A CN113362313 A CN 113362313A CN 202110679316 A CN202110679316 A CN 202110679316A CN 113362313 A CN113362313 A CN 113362313A
- Authority
- CN
- China
- Prior art keywords
- image
- distance matrix
- model
- self
- sub
- 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 80
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000000052 comparative effect Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于自监督学***滑处理并作归一化处理,得到归一化距离矩阵;判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。本发明可解决物体缺陷种类多和缺陷样本少甚至没有的条件下而导致缺陷检测***鲁棒性差的问题。
Description
技术领域
本发明涉及缺陷检测技术,具体涉及一种基于自监督学习的缺陷检测方法及***。
背景技术
工业互联网是新一代信息通信技术与工业经济深度融合的全新工业生态、关键基础设施和新型应用模式。它以网络为基础、平台为中枢、数据为要素、安全为保障,通过对人、机、物全面连接,变革传统制造模式、生产组织方式和产业形态,构建起全要素、全产业链、全价值链、全面连接的新型工业生产制造和服务体系,对支撑制造强国和网络强国建设,提升产业链现代化水平,推动经济高质量发展和构建新发展格局,都具有十分重要的意义。
在工业互联网中,产品的预防性检测是至关重要的一个环节,预防性检测能够及时发现产品产生的缺陷以及缺陷的变化趋势,并结合现场的实时工艺参数来优化生产工艺,从而降低次品率、降低生产成本和提高公司的利润。产品的预防性检测主要分为三个阶段:实时工艺参数采集、产品缺陷检测以及工艺的闭环优化。
其中,产品缺陷检测阶段,行业内的通常做法是采用专业人员目检的方式。采用人工目检的方式存在的一下问题:(1)需要培训专业的目检人员;(2)同时人工目检有一定主观性,目检人员的判断能力会受到自身的情绪和身体状况等因素的影响;(3)人工目检是事后处理,对实时整个工艺流程优化没有正向影响。
随着缺陷检测技术的发展,利用机器学***滑处理,并作归一化处理,得到归一化距离矩阵;通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。
发明内容
本发明的目的在于提供一种基于自监督学习的缺陷检测方法及***,用于解决由于缺陷种类多、缺陷产品的样本少甚至没有,导致缺陷检测***的鲁棒性差的问题。
为了达到上述目的,本发明提供了如下技术方案:
一种基于自监督学习的缺陷检测方法,包括以下步骤:
S1:将图像划分为多个子图像;
S2:使用自监督学习的特征模型提取每一个子图像的特征向量;
S3:计算每一个子图像的特征向量与对应子图像的一类模型之间的距离,得到距离矩阵;
S4:对距离矩阵进行上采样变换,得到与原图像大小一致的距离矩阵;
S5:采用滤波对距离矩阵进行平滑处理,并作归一化处理,得到归一化距离矩阵;
S6:通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;
S7:通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。
进一步的技术方案为,所述自监督学习的特征模型由深度神经网络构成,所述深度神经网络选自卷积神经网络、递归神经网络和延时神经网络中的一种或者多种。
进一步的技术方案为,所述一类模型选自聚类模型、多元高斯模型或单类SVM中的任意一种。
进一步的技术方案为,所述多元高斯模型如下:
其中,x∈Rn表示特征向量,μ∈Rn表示样本的均值,∑∈Rn*n表示样本的协方差矩阵;
由于训练样本数量稀少,样本的特征维度高,需要对协方差矩阵进行收缩才能更准确地拟合出样本的分布,因此,
其中,ρ表示收缩因子,tr(*)表示矩阵的迹,In表示单位矩阵。
进一步的技术方案为,每一个子图像的特征向量与对应子图像的一类模型之间的距离选自马氏距离、欧式距离或余弦距离中的任意一种。
进一步的技术方案为,所述马氏距离的计算方式如下:
进一步的技术方案为,所述自监督学习的特征模型的训练方法包括以下步骤:
S00:将无缺陷训练集图像划分为多个子图像;
S01:将S00中的子图像输入到自监督学习的特征模型中,提取子图像的特征向量;并输出总体误差Losstotal;
其中,对比学习误差为:
Losscontrast=(1-cos_sim(fθ(p1),fθ(p2)))-(1-cos_sim(fθ(p1),fθ(p3)))
邻域位置分类误差:
Lossposition=Cross_entropy(y,Cφ(fθ(p1),fθ(p3)))
因此,网络的总体误差为:
Losstotal=Losscontrast+Lossposition
其中,p1为选定的子图像,p2是与p1有一定的交集的子图像或者是p1经过图像增强后的图像,p3是与p1不相关的子图像,cos_sim为余弦相似度,fθ为自监督学习的特征模型的参数,Cross_entropy为交叉熵,Cφ为分类器,y为p3相对于p1的位置标签,y∈{0,1,2,3,4,5,6,7}。
S02:更新权重
其中,ε是学习率;
S03:重复S00到S02得步骤,直到自监督学习的特征模型收敛。
本发明提供一种基于自监督学习的缺陷检测***,包括以下模块:
子图像划分模块,,用于将图像划分为有重叠的多个子图像;
特征提取模块,用于使用自监督学习的特征模型提取每一个子图像的特征向量;
距离矩阵计算模块,用于计算待测图像的像素级距离,包括:计算每一个子图像的特征向量与对应子图像的一类模型之间的距离,得到距离矩阵;按照预定得方式对距离矩阵进行上采样变换,得到与原图像大小一致的距离矩阵;采用滤波对距离矩阵进行平滑处理,并作归一化处理,得到归一化距离矩阵;
缺陷检测模块,用于检测缺陷是否存在、位置以及大小,包括:通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。
进一步的技术方案为,所述特征提取模块包还含自监督学习的深度神经网络模型及模型训练组件。
进一步的技术方案为,所述距离矩阵计算模块还包含一类模型建立组件。
与现有技术相比,本发明具有如下有益效果:本发明提供的缺陷检测方法及检测***在缺陷种类多、缺陷产品的样本少甚至没有的情形下,依然能够保证产品缺陷检测***的鲁棒性。
附图说明
图1为基于自监督学习的缺陷检测方法的示意图;
图2为基于自监督学习的缺陷检测方法中的自监督学习的特征模型训练示意图;
图3为基于自监督学习的缺陷检测方法中的多元高斯分布模型建立示意图;
图4为基于自监督学习的缺陷检测***的构成示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行进一步的解释和说明。
实施例1
如图1、图2和图3所示,本发明提供了一种基于自监督学习的缺陷检测方法,具体为:
在步骤S101中,用于按照预定的方式将图像划分为有重叠的若干子图像;
在步骤S102中,使用自监督学习得到的特征模型提取步骤S101中每一个子图像的特征向量;
在步骤S103中,计算每一个子图像的特征向量与对应子图像的一类模型之间的距离,得到距离矩阵。其中,马氏距离的计算方式如下:
在步骤S104中,按照预定的方式对距离矩阵进行上采样变换,得到与原图像大小一致的距离矩阵;
在步骤S105中,采用滤波对距离矩阵进行平滑处理,并作归一化处理,得到归一化距离矩阵;
在步骤S106中,通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;
在步骤S107中,通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。
同时,一种基于自监督学习的缺陷检测方法中还包括自监督学习的特征模型训练。
在步骤S201中,收集无缺陷训练集图像;
在步骤S202中,按照预定的方式将无缺陷训练集图像划分为若干子图像;
在步骤S203中,S202中的子图像输入到自监督学习的特征模型中,提取子图像的特征向量,并获得子图像的预测结果。
在步骤S204中,自监督学习只需要无缺陷的训练样本,采用对比学习误差和邻域位置分类误差之和作为训练整个网络的误差。其中,对比学习误差为:
Losscontrast=(1-cos_sim(fθ(p1),fθ(p2)))-(1-cos_sim(fθ(p1),fθ(p3)))
邻域位置分类误差:
Lossposition=Cross_entropy(y,Cφ(fθ(p1),fθ(p3)))
因此,网络的总体误差为:
Losstotal=Losscontrast+Lossposition
其中,p1为选定的子图像,p2是与p1有一定的交集的子图像或者是p1经过图像增强的图像,p3是与p1不相关的子图像,cos_sim为余弦相似度,fθ为自监督学习的特征模型的参数,Cross_entropy为交叉熵,Cφ为分类器,y为p3相对于p1的位置标签,y∈{0,1,2,3,4,5,6,7}。
根据S203子图像的预测结果,计算对比学习误差和邻域位置分类误差,得到总体误差Losstotal。
在步骤S205中,判断是否收敛或者达到设定最大迭代次数或者设定的最小误差,如果都为否,则转到步骤S206继续训练,否则转到步骤S207结束训练。
在步骤S206中,通过反向传播的方式更新自监督学习的特征模型的参数,并转到步骤S203中。其中参数的更新方式如下:
其中,ε是学习率。
同时,一种基于自监督学习的缺陷检测方法中还包括一类模型的建立。其中多元高斯分布模型如下:
其中,x∈Rn表示特征向量,μ∈Rn表示样本的均值,∑∈Rn*n表示样本的协方差矩阵。
由于训练样本数量稀少,样本的特征维度高,需要对协方差矩阵进行收缩才能更准确地拟合出样本的分布,因此,
其中,ρ表示收缩因子,tr(*)表示矩阵的迹,In表示单位矩阵。
本发明实施例·提供的一种基于自监督学习的缺陷检测方法,解决了缺陷种类多、缺陷产品的样本少甚至没有而导致的缺陷检测***鲁棒性差的问题。
实施例2
如图4所示,本发明提出了一种基于自监督学习的缺陷检测***,图4展示了该***的组成模块。参考图4中,该***包括子图像划分模块401、特征提取模块402、距离矩阵计算模块403、缺陷检测模块404、自监督学习的特征模型训练组件405以及一类模型建立组件406。
子图像划分模块401,用于按照预定的方式将图像划分为有重叠的若干子图像;
特征提取模块402,用于使用自监督学习的特征模型提取每一个子图像的特征向量;
距离矩阵计算模块403,用于计算待测图像的像素级距离,包括:计算每一个子图像的特征向量与对应子图像的一类模型之间的距离,得到距离矩阵;按照预定得方式对距离矩阵进行上采样变换,得到与原图像大小一致的距离矩阵;采用滤波对距离矩阵进行平滑处理,并作归一化处理,得到归一化距离矩阵;
缺陷检测模块404,用于检测缺陷是否存在、位置以及大小,包括:通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小;
自监督学习的特征模型训练组件405,训练方式参考实施例1;
一类模型建立组件406,其中多元高斯模型建立方式参考实施例1。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (10)
1.一种基于自监督学习的缺陷检测方法,其特征在于,包括以下步骤:
S1:将图像划分为多个子图像;
S2:使用自监督学习的特征模型提取每一个子图像的特征向量;
S3:计算每一个子图像的特征向量与对应子图像的一类模型之间的距离,得到距离矩阵;
S4:对距离矩阵进行上采样变换,得到与原图像大小一致的距离矩阵;
S5:采用滤波对距离矩阵进行平滑处理,并作归一化处理,得到归一化距离矩阵;
S6:通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;
S7:通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。
2.根据权利要求1所述的基于自监督学习的缺陷检测方法,其特征在于,所述自监督学习的特征模型由深度神经网络构成,所述深度神经网络选自卷积神经网络、递归神经网络和延时神经网络中的一种或者多种。
3.根据权利要求1所述的基于自监督学习的缺陷检测方法,其特征在于,所述一类模型选自聚类模型、多元高斯模型或单类SVM中的任意一种。
5.根据权利要求1所述的基于自监督学习的缺陷检测方法,其特征在于,每一个子图像的特征向量与对应子图像的一类模型之间的距离选自马氏距离、欧式距离或余弦距离中的任意一种。
7.根据权利要求1所述的基于自监督学习的缺陷检测方法,其特征在于,所述自监督学习的特征模型的训练方法包括以下步骤:
S00:将无缺陷训练集图像划分为多个子图像;
S01:将S00中的子图像输入到自监督学习的特征模型中,提取子图像的特征向量;并输出总体误差Losstotal;
其中,对比学习误差为:
Losscontrast=(1-cos_sim(fθ(p1),fθ(p2)))-(1-cos_sim(fθ(p1),fθ(p3)))
邻域位置分类误差:
Lossposition=Cross_entropy(y,Cφ(fθ(p1),fθ(p3)))
因此,网络的总体误差为:
Losstotal=Losscontrast+Lossposition
其中,p1为选定的子图像,p2是与p1有一定的交集的子图像或者是p1经过图像增强后的图像,p3是与p1不相关的子图像,cos_sim为余弦相似度,fθ为自监督学习的特征模型的参数,Cross_entropy为交叉熵,Cφ为分类器,y为p3相对于p1的位置标签,y∈{0,1,2,3,4,5,6,7}。
S02:更新权重
其中,ε是学习率;
S03:重复S00到S02得步骤,直到自监督学习的特征模型收敛。
8.一种基于自监督学习的缺陷检测***,其特征在于,包括以下模块:
子图像划分模块,,用于将图像划分为有重叠的多个子图像;
特征提取模块,用于使用自监督学习的特征模型提取每一个子图像的特征向量;
距离矩阵计算模块,用于计算待测图像的像素级距离,包括:计算每一个子图像的特征向量与对应子图像的一类模型之间的距离,得到距离矩阵;按照预定得方式对距离矩阵进行上采样变换,得到与原图像大小一致的距离矩阵;采用滤波对距离矩阵进行平滑处理,并作归一化处理,得到归一化距离矩阵;
缺陷检测模块,用于检测缺陷是否存在、位置以及大小,包括:通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷;通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。
9.根据权利要求8所述的基于自监督学习的缺陷检测***,其特征在于,所述特征提取模块包还含自监督学习的深度神经网络模型及模型训练组件。
10.根据权利要求8所述的基于自监督学习的缺陷检测***,其特征在于,所述距离矩阵计算模块还包含一类模型建立组件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679316.8A CN113362313B (zh) | 2021-06-18 | 2021-06-18 | 一种基于自监督学习的缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679316.8A CN113362313B (zh) | 2021-06-18 | 2021-06-18 | 一种基于自监督学习的缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362313A true CN113362313A (zh) | 2021-09-07 |
CN113362313B CN113362313B (zh) | 2024-03-15 |
Family
ID=77535080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110679316.8A Active CN113362313B (zh) | 2021-06-18 | 2021-06-18 | 一种基于自监督学习的缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362313B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
CN115100390A (zh) * | 2022-08-24 | 2022-09-23 | 华东交通大学 | 一种联合对比学习与自监督区域定位的图像情感预测方法 |
CN115690561A (zh) * | 2022-04-01 | 2023-02-03 | 北京优创新港科技股份有限公司 | 一种路面异常监测方法 |
CN117274148A (zh) * | 2022-12-05 | 2023-12-22 | 魅杰光电科技(上海)有限公司 | 基于深度学习的无监督晶圆缺陷检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130338965A1 (en) * | 2012-06-14 | 2013-12-19 | International Business Machines Corporation | Anomaly Detection Method, Program, and System |
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
US20190188212A1 (en) * | 2016-07-27 | 2019-06-20 | Anomalee Inc. | Prioritized detection and classification of clusters of anomalous samples on high-dimensional continuous and mixed discrete/continuous feature spaces |
CN111046855A (zh) * | 2019-06-21 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 图片识别方法、识别模型训练方法、装置及电子装置 |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
CN112069992A (zh) * | 2020-09-04 | 2020-12-11 | 西安西图之光智能科技有限公司 | 一种基于多监督稠密对齐的人脸检测方法、***及存储介质 |
CN112288741A (zh) * | 2020-11-23 | 2021-01-29 | 四川长虹电器股份有限公司 | 一种基于语义分割的产品表面缺陷检测方法、*** |
US20210150757A1 (en) * | 2019-11-20 | 2021-05-20 | Nvidia Corporation | Training and inferencing using a neural network to predict orientations of objects in images |
US20210150710A1 (en) * | 2019-11-15 | 2021-05-20 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for implementing a self-supervised chest x-ray image analysis machine-learning model utilizing transferable visual words |
CN112862799A (zh) * | 2021-02-24 | 2021-05-28 | 上海交通大学 | 基于图像属性恢复的图像异常检测方法和*** |
-
2021
- 2021-06-18 CN CN202110679316.8A patent/CN113362313B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130338965A1 (en) * | 2012-06-14 | 2013-12-19 | International Business Machines Corporation | Anomaly Detection Method, Program, and System |
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
US20190188212A1 (en) * | 2016-07-27 | 2019-06-20 | Anomalee Inc. | Prioritized detection and classification of clusters of anomalous samples on high-dimensional continuous and mixed discrete/continuous feature spaces |
CN111046855A (zh) * | 2019-06-21 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 图片识别方法、识别模型训练方法、装置及电子装置 |
US20210150710A1 (en) * | 2019-11-15 | 2021-05-20 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for implementing a self-supervised chest x-ray image analysis machine-learning model utilizing transferable visual words |
US20210150757A1 (en) * | 2019-11-20 | 2021-05-20 | Nvidia Corporation | Training and inferencing using a neural network to predict orientations of objects in images |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
CN112069992A (zh) * | 2020-09-04 | 2020-12-11 | 西安西图之光智能科技有限公司 | 一种基于多监督稠密对齐的人脸检测方法、***及存储介质 |
CN112288741A (zh) * | 2020-11-23 | 2021-01-29 | 四川长虹电器股份有限公司 | 一种基于语义分割的产品表面缺陷检测方法、*** |
CN112862799A (zh) * | 2021-02-24 | 2021-05-28 | 上海交通大学 | 基于图像属性恢复的图像异常检测方法和*** |
Non-Patent Citations (8)
Title |
---|
CARL DOERSCH等: "Unsupervised Visual Representation Learning by Context Prediction", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》, pages 1422 - 1430 * |
JIHUN YI ET AL: "Patch SVDD:Patch-Level SVDD for Anomaly Detection and Segmentation", 《COMPUTER VISION-ACCV 2020》, pages 3 * |
JUNJIE XU等: "Anomaly Detection on Electroencephalography with Self-supervised Learning", 《2020 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE》, pages 363 - 368 * |
OLIVER RIPPEL ET AL: "Modeling the Distribution of Normal Data in Pre-Trained Deep Features for Anomaly Detection", 《2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》, pages 3 * |
THOMAS DEFARD ET AL: "PaDiM:A Patch Distribution Modeling Framework for Anomaly Detection and Localization", 《PATTERN RECOGNITION.ICPR INTERNATIONAL WORKSHOPS AND CHALLENGES》, pages 3 * |
XIAHAIFENG1995: "PaDiM-Anomaly-Detection-Localization-master", pages 170 - 173, Retrieved from the Internet <URL:《https://github.com/xiahaifeng1995/PaDiM-Anomaly-Detection-Localization-master/blob/main/main.py》> * |
刘金海等: "基于漏磁内检测的自监督缺陷检测方法", 《仪器仪表学报》, vol. 41, no. 9, pages 180 - 187 * |
陈涵深: "基于深度学习的路面破损检测研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》, no. 2, pages 034 - 2 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690561A (zh) * | 2022-04-01 | 2023-02-03 | 北京优创新港科技股份有限公司 | 一种路面异常监测方法 |
CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
CN114723751B (zh) * | 2022-06-07 | 2022-09-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
CN115100390A (zh) * | 2022-08-24 | 2022-09-23 | 华东交通大学 | 一种联合对比学习与自监督区域定位的图像情感预测方法 |
CN117274148A (zh) * | 2022-12-05 | 2023-12-22 | 魅杰光电科技(上海)有限公司 | 基于深度学习的无监督晶圆缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113362313B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362313A (zh) | 一种基于自监督学习的缺陷检测方法及*** | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
Martins et al. | Automatic detection of surface defects on rolled steel using computer vision and artificial neural networks | |
Lyu et al. | Image-based process monitoring using deep learning framework | |
Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN109859164B (zh) | 一种通过快速型卷积神经网络对pcba外观检验的方法 | |
CN114723708A (zh) | 一种基于无监督图像分割的工艺品外观缺陷检测方法 | |
CN112801962B (zh) | 基于正样本学习的半监督工业制品瑕疵检测方法及*** | |
Wang | Separation of composite defect patterns on wafer bin map using support vector clustering | |
Lee et al. | Review on the recent welding research with application of CNN-based deep learning part II: Model evaluation and visualizations | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN112580693A (zh) | 基于自助法重采样邻域保持嵌入的石化过程故障诊断方法 | |
CN114332008A (zh) | 一种基于多层次特征重构的无监督缺陷检测与定位方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN117422935B (zh) | 摩托车故障非接触式诊断方法及*** | |
CN115375635A (zh) | 一种晶圆缺陷的识别方法 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
Aydin et al. | Defect classification of railway fasteners using image preprocessing and alightweight convolutional neural network | |
CN113838040A (zh) | 一种针对彩色纹理织物缺陷区域的检测方法 | |
CN115909312A (zh) | 一种基于深度学习的板坯号实时检测与识别方法 | |
Mansano et al. | Inspection of metallic surfaces using local binary patterns |
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 |