CN116385380A - 基于深度特征的缺陷检测方法、***、设备及存储介质 - Google Patents
基于深度特征的缺陷检测方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116385380A CN116385380A CN202310276002.2A CN202310276002A CN116385380A CN 116385380 A CN116385380 A CN 116385380A CN 202310276002 A CN202310276002 A CN 202310276002A CN 116385380 A CN116385380 A CN 116385380A
- Authority
- CN
- China
- Prior art keywords
- defect
- feature
- defects
- detection
- training
- 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 241
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000015654 memory Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000002950 deficient Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了基于深度特征的缺陷检测方法、***、设备及存储介质,涉及缺陷检测技术领域,所述方法包括步骤为:将无缺陷的训练样本和不同类别缺陷的训练样本均输入预训练模型;基于无缺陷的训练样本和不同类别缺陷的训练样本,获取正常存储集和缺陷存储集;采用贪婪算法对缺陷存储集进行数据筛选,并且结合正常存储集形成特征存储体;基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果。本发明通过有效结合有监督方式和无监督方式对缺陷进行检测,既解决了现有有监督方式需要结合检测结果对预训练模型进行反向微调问题,也解决了无监督方式无法对缺陷进行分类的问题。
Description
技术领域
本发明涉及缺陷检测技术领域,具体而言,涉及一种基于深度特征的缺陷检测方法、***、设备及存储介质。
背景技术
在工业生产过程中,由于产品生产工艺流程复杂、生产周期长,因此极易影响产品的质量。其中,表面缺陷是产品质量受到影响的最直观表现。因此为了保证产品质量,必须对产品表面进行缺陷检测。缺陷检测过程需要检测出缺陷并判断缺陷类型,传统的缺陷检测依赖人工判图,人工成本高,并且由于人工的主观性和疲惫工作状态,导致缺陷判定准确率不高。
目前很多生产厂商引入了智能化缺陷检测***,用于替代人工检测,这些***通常基于深度学习的方式进行缺陷检测,而基于深度学习的方式主要分为了有监督方式和无监督方式,其中,有监督方式要求训练集和测试集缺一不可,训练集中的样本必须被标记,在训练集中寻找样本的内在规律,然后将规律应用到测试集合中;其中,有监督方式需要结合检测结果对学习模型进行微调,才能确保缺陷检测的准确性。针对有监督方法的缺点,一些研究人员开始研究无监督方式,当输入的训练数据只有数据信息本身,没有标签信息时,机器学习这些无标签数据的模式,能够对缺陷进行判定,但是无法对缺陷进行分类,因此无法满足缺陷检测需求。
发明内容
本发明实施例提供了基于深度特征的缺陷检测方法、***、设备及存储介质,有效结合有监督方式和无监督方式对缺陷进行检测,既解决了现有有监督方式需要结合检测结果对预训练模型进行反向微调问题,也解决了无监督方式无法对缺陷进行分类的问题。
在第一方面,本发明实施例中提供一种基于深度特征的缺陷检测方法,所述方法包括的步骤如下:
将无缺陷的训练样本和不同类别缺陷的训练样本均输入预训练模型;
基于无缺陷的训练样本获取包含正常特征信息的正常存储集,并且基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集;
采用贪婪算法对缺陷存储集进行数据筛选,并且结合正常存储集形成特征存储体,以实现特征注册;
将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果。
于上述实施例中,通过将有监督方式和无监督方式进行有效结合,在有监督方式进行样本标注的基础上借鉴无监督方式的最近邻思想,通过注册的方式进行缺陷检测,不存在对预训练模型进行模型微调的过程,适用于训练样本较少的缺陷检测需求,同时能够实现缺陷的识别与分类,模型结构简单,缺陷检测速度较快、准确率较高。
作为本申请一些可选实施方式,基于无缺陷的训练样本获取包含正常特征信息的正常存储集的流程如下:
对无缺陷的训练样本进行图像分割处理,以获取若干特性图;
分别对若干特征图进行下采样处理,以获取包含正常特征信息的正常存储集。
作为本申请一些可选实施方式,基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集的流程如下:
对不同类别缺陷的训练样本进行图像分割处理,以获取若干特征图;
分别对若干特征图进行下采样处理,以获取若干包含缺陷特征信息的缺陷存储集。
作为本申请一些可选实施方式,采用贪婪算法对缺陷存储集进行数据筛选的流程如下:
从若干缺陷存储集中获取一个特征与剩余特征进行相似度距离度量,以获得若干相似度距离值;
选择最大相似度距离值所对应的特征并保留,并且迭代进行相似度距离度量,以获得新的缺陷存储集。
于上述实施例中,通过贪婪算法从多个近似特征类别中筛选出最代表缺陷的特征类别,从而减少特征存储体中存储的缺陷存储集的数量,缩短缺陷检测的时间。
作为本申请一些可选实施方式,为了能够快速定位检测样本的缺陷类别,则需要将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果,具体流程如下:
对检测样本进行图像分割处理,以获取若干特性图;
分别对若干特征图进行下采样处理,以获取包含特征信息的特征检测集;
分别计算特征检测集中每一个特征与正常存储集和缺陷存储集的相似度距离,并且基于相似度距离进行缺陷识别以及缺陷分类。
作为本申请一些可选实施方式,基于相似度距离进行缺陷识别以及缺陷分类的流程如下:
分别计算特征检测集中每一个特征与正常存储集的正常相似度距离;
如果正常相似度距离小于阈值,则判定检测样本无缺陷,反正,则分别计算特征检测集中每一个特征与缺陷存储集的若干异常相似度距离,并且判定检测样本缺陷类别与最小的异常相似度距离所对应训练样本缺陷类别相同。
作为本申请一些可选实施方式,为了能够快速找到缺陷的位置坐标,在获取缺陷检测结果以及缺陷分类结果之后,需要通过对缺陷进行上采样处理,以实现缺陷定位。
作为本申请一些可选实施方式,通过对缺陷进行上采样处理,以实现缺陷定位的流程如下:
对进行缺陷类别判定之后的特征进行上采样处理,以获取对应的特征图;
基于特征图进行图像分割反向定位处理,以获取缺陷在检测样本中的位置。
在第二方面,本发明提供一种基于深度特征的缺陷检测***,所述***包括:
训练样本输入单元,所述训练样本输入单元用于将无缺陷的训练样本和不同类别缺陷的训练样本均输入预训练模型;
特征提取单元,所述特征提取单元基于无缺陷的训练样本获取包含正常特征信息的正常存储集,并且基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集;
数据筛选单元,所述数据筛选单元采用贪婪算法对缺陷存储集进行数据筛选,并且结合正常存储集形成特征存储体,以实现特征注册;
缺陷检测单元,所述缺陷检测单元用于将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果。
作为本申请一些可选实施方式,所述***还包括缺陷定位单元,所述缺陷定位单元通过对缺陷进行上采样处理,以实现缺陷定位。
在第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述基于深度特征的缺陷检测方法。
在第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述所述基于深度特征的缺陷检测方法。
本发明的有益效果如下:
1.本发明通过有效结合有监督学习和无监督学习的方式进行缺陷检测,首先分别对无缺陷的训练样本和不同类别缺陷的训练样本进行特征提取以得到特征存储体,然后基于特征存储体对检测样本进行最近邻分类计算,以实现检测样本的缺陷识别与分类,无需对预训练模型进行反向微调,适用于训练样本较少的缺陷检测需求,并且能够实现快速、准确的缺陷识别与分类。
2.本发明通过贪婪算法对缺陷存储集进行筛选,从而减少特征存储体中存储的缺陷存储集,缩短缺陷检测的时间。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1是根据本发明的实施例所述基于深度特征的缺陷检测方法的数据处理的流程图;
图2是根据本发明的实施例所述基于相似度距离进行缺陷识别以及缺陷分类的流程图;
图3是根据本发明的实施例所述基于深度特征的缺陷检测***的结构框图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
同样应当理解的是,为了简化本发明揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
实施例1
请参阅图1,本发明提供一种基于深度特征的缺陷检测方法,所述方法包括的步骤如下:
(1)将无缺陷的训练样本和不同类别缺陷的训练样本均输入预训练模型;其中,所述预训练模型可以使用如ResNet系列网络,在ImageNet数据上已经训练好的模型,并且不需要根据训练样本进行预训练模型微调,所述ResNet系列网络主要包括卷积层、最大池化下采样层、残差结构以及全连接层。
(2)基于无缺陷的训练样本获取包含正常特征信息的正常存储集M1,并且基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集M2。
具体的,基于无缺陷的训练样本获取包含正常特征信息的正常存储集M1的流程如下:
(2.1)根据ResNet网络的卷积对无缺陷的训练样本进行图像分割处理,以获取若干特性图;
(2.2)根据ResNet网络的下采样比例分别对若干特征图进行下采样处理,以获取包含正常特征信息的正常存储集M1。
具体的,基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集M2的流程如下:
(2.3)根据ResNet网络的卷积对不同类别缺陷的训练样本进行图像分割处理,以获取若干特征图;
(2.4)根据ResNet网络的下采样比例分别对若干特征图进行下采样处理,以获取若干包含缺陷特征信息的缺陷存储集M2。
(3)采用贪婪算法(贪婪最近邻下采样算法)对若干缺陷缺陷存储集M2进行数据筛选,并且结合正常存储集M1形成特征存储体M(Memorybank),以实现特征注册;
于本发明实施例中,若直接使用收集到的缺陷存储集M2,则特征存储体Memorybank随着不同类别缺陷的训练样本的增加而逐渐变大,最终推理的时间和存储的空间也会随之变大,因此需要对其进行降维处理,一般直接通过线性映射直接降维,并且通过贪婪算法筛选出最代表缺陷的特征类别,从而减少特征存储体Memory bank中存储的缺陷存储集M2。
具体的,采用贪婪算法对若干缺陷存储集M2进行数据筛选的流程如下:
(3.1)从若干缺陷存储集M2中随机获取一个特征与剩余特征进行相似度距离度量,以获得若干相似度距离值;
(3.2)选择最大相似度距离值所对应的特征并保留,并且迭代进行相似度距离度量,以获得新的缺陷存储集MC。
具体的,所述贪婪算法涉及到的软件代码如下:
即从特征存储体M中选出特征进行相似度距离度量,选择出一个距离缺陷存储集MC中最小距离的最大值进行p次的迭代,选出集合缺陷存储集MC,进而获得一个更小的特征存储体M,其中,p为特征存储体M中特征的数量。
(4)将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷检测结果以及缺陷分类结果;
具体的,将检测样本输入预训练模型,并且基于特征存储体Memory bank对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果的流程如下:
(4.1)对检测样本进行图像分割处理,以获取若干特性图;
(4.2)分别对若干特征图进行下采样处理,以获取包含特征信息的特征检测集M0;
(4.3)分别计算特征检测集M0中每一个特征与正常存储集M1和缺陷存储集M2的相似度距离,并且基于相似度距离进行缺陷识别以及缺陷分类。
请参阅图2,基于相似度距离进行缺陷识别以及缺陷分类的流程如下:
(4.31)分别计算特征检测集M0中每一个特征与正常存储集M1的正常相似度距离;
(4.32)如果正常相似度距离小于阈值,则判定检测样本无缺陷,反正,则分别计算特征检测集M0中每一个特征与缺陷存储集M2的若干异常相似度距离,并且判定检测样本缺陷类别与最小的异常相似度距离所对应训练样本缺陷类别相同。
(5)对缺陷进行上采样处理,以实现缺陷定位。
具体的,通过对缺陷进行上采样处理,以实现缺陷定位的流程如下:
(5.1)对已进行缺陷类别判定的特征进行上采样处理,以获取对应的特征图;
(5.2)基于特征图进行图像分割反向定位处理,以获取缺陷在检测样本中的位置,即将缺陷还原到原图大小,此时不仅得到缺陷的分类信息,同样得到了缺陷的定位信息。
与此同时,对于新加入的缺陷类别,可以通过增加新的缺陷存储集M2的方式呈现,从而达到快速注册新的缺陷类别的目的。
本发明通过有效结合有监督学习和无监督学习的方式进行缺陷检测,在有监督方式进行样本标注的基础上借鉴无监督方式的最近邻思想,通过注册的方式进行缺陷检测,即首先分别对无缺陷的训练样本和不同类别缺陷的训练样本进行特征提取以得到特征存储体,然后基于特征存储体对检测样本进行最近邻分类计算,以实现检测样本的缺陷识别与分类;无需对预训练模型进行反向微调,结合了有监督方式对于缺陷检测准确率高以及无监督方式对于缺陷检测速度快的优点,能够实现快速、准确的缺陷识别与分类。
与此同时,为了确保缺陷识别和分类的速度,需要通过贪婪算法对缺陷存储集进行筛选,从而减少特征存储体中存储的缺陷存储集。
实施例2
本发明提供一种基于深度特征的缺陷检测***,所述***与实施例1的所述方法一一对应,请参阅图3,所述***包括:
训练样本输入单元,所述训练样本输入单元用于将无缺陷的训练样本和不同类别缺陷的训练样本均输入预训练模型;
特征提取单元,所述特征提取单元基于无缺陷的训练样本获取包含正常特征信息的正常存储集,并且基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集;
数据筛选单元,所述数据筛选单元采用贪婪算法对缺陷存储集进行数据筛选,并且结合正常存储集形成特征存储体,以实现特征注册;
缺陷检测单元,所述缺陷检测单元用于将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果;
缺陷定位单元,所述缺陷定位单元通过对缺陷进行上采样处理,实现缺陷定位。
实施例3
本发明提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行实施例1所述的一种基于深度特征的缺陷检测方法。
本实施例提供的计算机设备可以实现执行实施例1所述的方法,为避免重复,在此不再赘述。
实施例4
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的一种基于深度特征的缺陷检测方法。
本实施例提供的计算机可读存储介质可以实现执行实施例1所述的方法,为避免重复,在此不再赘述。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中基于深度特征的缺陷检测***的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
基于深度特征的缺陷检测***如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
Claims (12)
1.基于深度特征的缺陷检测方法,其特征在于,所述方法包括的步骤如下:
将无缺陷的训练样本和不同类别缺陷的训练样本均输入预训练模型;
基于无缺陷的训练样本获取包含正常特征信息的正常存储集,并且基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集;
采用贪婪算法对若干缺陷存储集进行数据筛选,并且结合正常存储集形成特征存储体,以实现特征注册;
将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果。
2.根据权利要求1所述的基于深度特征的缺陷检测方法,其特征在于,基于无缺陷的训练样本获取包含正常特征信息的正常存储集的流程如下:
对无缺陷的训练样本进行图像分割处理,以获取若干特性图;
分别对若干特征图进行下采样处理,以获取包含正常特征信息的正常存储集。
3.根据权利要求1所述的基于深度特征的缺陷检测方法,其特征在于,基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集的流程如下:
对不同类别缺陷的训练样本进行图像分割处理,以获取若干特征图;
分别对若干特征图进行下采样处理,以获取若干包含缺陷特征信息的缺陷存储集。
4.根据权利要求1所述的基于深度特征的缺陷检测方法,其特征在于,采用贪婪算法对缺陷存储集进行数据筛选的流程如下:
从若干缺陷存储集中获取一个特征与剩余特征进行相似度距离度量,以获得若干相似度距离值;
选择最大相似度距离值所对应的特征并保留,并且迭代进行相似度距离度量,以获取新的缺陷存储集。
5.根据权利要求1所述的基于深度特征的缺陷检测方法,其特征在于,将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果的流程如下:
对检测样本进行图像分割处理,以获取若干特性图;
分别对若干特征图进行下采样处理,以获取包含特征信息的特征检测集;
分别计算特征检测集中每一个特征与正常存储集和缺陷存储集的相似度距离,并且基于相似度距离进行缺陷识别以及缺陷分类。
6.根据权利要求5所述的基于深度特征的缺陷检测方法,其特征在于,基于相似度距离进行缺陷识别以及缺陷分类的流程如下:
分别计算特征检测集中每一个特征与正常存储集的正常相似度距离;
如果正常相似度距离小于阈值,则判定检测样本无缺陷,反之,则分别计算特征检测集中每一个特征与缺陷存储集的若干异常相似度距离,并且判定检测样本缺陷类别与最小的异常相似度距离所对应训练样本缺陷类别相同。
7.根据权利要求1或6所述的基于深度特征的缺陷检测方法,其特征在于,获取缺陷检测结果以及缺陷分类结果之后,通过对缺陷进行上采样处理,以实现缺陷定位。
8.根据权利要求7所述的基于深度特征的缺陷检测方法,其特征在于,通过对缺陷进行上采样处理,以实现缺陷定位的流程如下:
对进行缺陷类别判定之后的特征进行上采样处理,以获取对应的特征图;
基于特征图进行图像分割反向定位处理,以获取缺陷在检测样本中的位置。
9.基于深度特征的缺陷检测***,其特征在于,所述***包括:
训练样本输入单元,所述训练样本输入单元用于将无缺陷的训练样本和不同类别缺陷的训练样本均输入预训练模型;
特征提取单元,所述特征提取单元基于无缺陷的训练样本获取包含正常特征信息的正常存储集,并且基于不同类别缺陷的训练样本获取若干包含缺陷特征信息的缺陷存储集;
数据筛选单元,所述数据筛选单元采用贪婪算法对缺陷存储集进行数据筛选,并且结合正常存储集形成特征存储体,以实现特征注册;
缺陷检测单元,所述缺陷检测单元用于将检测样本输入预训练模型,并且基于特征存储体对检测样本进行最近邻分类计算,以获取缺陷识别结果以及缺陷分类结果。
10.根据权利要求9所述的基于深度特征的缺陷检测***,其特征在于,所述***还包括缺陷定位单元,所述缺陷定位单元通过对缺陷进行上采样处理,实现缺陷定位。
11.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述基于深度特征的缺陷检测方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述基于深度特征的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276002.2A CN116385380A (zh) | 2023-03-21 | 2023-03-21 | 基于深度特征的缺陷检测方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276002.2A CN116385380A (zh) | 2023-03-21 | 2023-03-21 | 基于深度特征的缺陷检测方法、***、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385380A true CN116385380A (zh) | 2023-07-04 |
Family
ID=86960744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310276002.2A Pending CN116385380A (zh) | 2023-03-21 | 2023-03-21 | 基于深度特征的缺陷检测方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385380A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862903A (zh) * | 2023-07-31 | 2023-10-10 | 梅卡曼德(北京)机器人科技有限公司 | 缺陷检测模型训练方法及装置、缺陷检测方法和电子设备 |
CN116883416A (zh) * | 2023-09-08 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 工业产品缺陷的检测方法、装置、设备及介质 |
CN116958153A (zh) * | 2023-09-21 | 2023-10-27 | 苏州赫芯科技有限公司 | 一种基于切片匹配的无监督缺陷检测方法、***及介质 |
-
2023
- 2023-03-21 CN CN202310276002.2A patent/CN116385380A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862903A (zh) * | 2023-07-31 | 2023-10-10 | 梅卡曼德(北京)机器人科技有限公司 | 缺陷检测模型训练方法及装置、缺陷检测方法和电子设备 |
CN116883416A (zh) * | 2023-09-08 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 工业产品缺陷的检测方法、装置、设备及介质 |
CN116883416B (zh) * | 2023-09-08 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 工业产品缺陷的检测方法、装置、设备及介质 |
CN116958153A (zh) * | 2023-09-21 | 2023-10-27 | 苏州赫芯科技有限公司 | 一种基于切片匹配的无监督缺陷检测方法、***及介质 |
CN116958153B (zh) * | 2023-09-21 | 2023-11-28 | 苏州赫芯科技有限公司 | 一种基于切片匹配的无监督缺陷检测方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385380A (zh) | 基于深度特征的缺陷检测方法、***、设备及存储介质 | |
US11915406B2 (en) | Generating training data usable for examination of a semiconductor specimen | |
JP2020126601A (ja) | 不良検知方法および不良検知装置 | |
JP2017107543A (ja) | 細胞画像の自動分析方法及びシステム | |
CN110942013A (zh) | 一种基于深度神经网络的卫星影像特征提取方法及*** | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN114882215B (zh) | 一种煤矸光电分选图像颗粒集料区域形选识别方法 | |
US11416711B2 (en) | Defect detection system | |
CN115880520A (zh) | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及*** | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN113836850A (zh) | 模型获得方法及***及装置及介质及产品缺陷检测方法 | |
CN110765963A (zh) | 车辆制动检测方法、装置、设备及计算机可读存储介质 | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN111709951B (zh) | 目标检测网络训练方法及***及网络及装置及介质 | |
CN113506288A (zh) | 基于transform注意力机制的肺结节检测方法及装置 | |
CN117611879A (zh) | 缺陷检测方法、装置、设备及计算机可读介质 | |
CN113780287A (zh) | 一种多深度学习模型的最优选取方法及*** | |
CN115631197B (zh) | 一种图像处理方法、装置、介质、设备及*** | |
US20230029163A1 (en) | Wafer map analysis system using neural network and method of analyzing wafer map using the same | |
CN116097391A (zh) | 用于在低信噪比成像条件下去噪的深度学习模型 | |
CN115588007B (zh) | Pcb载板的针孔缺陷检测方法、***、设备及存储介质 | |
TWI843465B (zh) | 用於缺陷偵測模型的訓練集產生的運算系統、方法和非暫時性電腦可讀媒體 | |
CN118053151A (zh) | 一种基于字符特征改进的文字符号识别方法及*** | |
Klarák et al. | U2S-CNN 3-phase defect detection system, from anomaly detection to defect classification |
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 |