CN117649387B - 一种适用于带有表面复杂纹理物体的缺陷检测方法 - Google Patents
一种适用于带有表面复杂纹理物体的缺陷检测方法 Download PDFInfo
- Publication number
- CN117649387B CN117649387B CN202311630765.9A CN202311630765A CN117649387B CN 117649387 B CN117649387 B CN 117649387B CN 202311630765 A CN202311630765 A CN 202311630765A CN 117649387 B CN117649387 B CN 117649387B
- Authority
- CN
- China
- Prior art keywords
- image
- object surface
- loss function
- data
- encoder
- 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 144
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 265
- 230000002159 abnormal effect Effects 0.000 claims description 69
- 230000008569 process Effects 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 38
- 238000005315 distribution function Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 34
- 230000005856 abnormality Effects 0.000 abstract description 25
- 230000000875 corresponding effect Effects 0.000 description 37
- 230000008859 change Effects 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 230000002708 enhancing effect Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000011524 similarity measure Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011031 large-scale manufacturing process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001788 irregular Effects 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种适用于带有表面复杂纹理物体的缺陷检测方法。所述方法包括以下步骤:对物体表面图像数据进行补丁图像划分,生成物体表面补丁图像数据;基于变分自编码器构建图像特征解耦的孪生网络结构,获得图像特征解耦网络模型;根据图像特征解耦网络模型构建图像特征解耦网络模型的联合损失函数;根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型;将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子。本发明实现仅依靠稀少的异常训练样本就能够表现出良好的表面复杂纹理物体的缺陷异常检测性能。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种适用于带有表面复杂纹理物体的缺陷检测方法。
背景技术
在带有复杂纹理的工业产品表面异常检测任务,这些表面纹理并不会影响产品的良莠,但往往会与缺陷特征混杂在一起,因此很难对缺陷特征进行准确的描述,复杂纹理可能包括各种颜色、图案和不规则形状,这些特征可以与缺陷混淆,导致标准检测方法失效,需要一种特别的方法来精确识别和区分这些表面的真正缺陷,以确保产品质量和安全,然而,传统的适用于带有表面复杂纹理物体的缺陷检测方法由于在实际应用中缺陷的产生属于小概率事件,收集并标记这些缺陷数据往往是非常困难并且代价高昂,当基于有监督深度学习的异常检测方法应用于此类任务时会由于训练样本的不足而导致严重的过拟合问题,从而无法很好得完成检测任务。
发明内容
基于此,本发明提供一种适用于带有表面复杂纹理物体的缺陷检测方法,以解决至少一个上述技术问题。
为实现上述目的,一种适用于带有表面复杂纹理物体的缺陷检测方法,包括以下步骤:
步骤S1:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;根据预设的补丁图像大小数据对物体表面图像数据进行补丁图像划分,生成物体表面补丁图像数据;
步骤S2:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型;根据图像特征解耦网络模型设计变分自编码器整体损失函数以及不变因子相识度损失函数;
步骤S3:基于变分自编码器整体损失函数以及不变因子相识度损失函数构建图像特征解耦网络模型的联合损失函数;根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型;
步骤S4:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;基于深度神经网络模型构建优化异常评分判别器模型;将物体表面图像不变因子映射至异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
本发明通过监控设备的高精度采集,确保了收集到的图像数据具有高质量,这对于后续的缺陷检测至关重要。高质量的图像数据能够提供更丰富、更精确的表面纹理信息,从而增强缺陷检测的准确性。根据预设的补丁图像大小对图像数据进行划分,进一步提升了数据处理的效率和精确性,使得图像处理变得更加灵活和高效,尤其是在处理具有复杂表面纹理的物体时,能够更准确地定位和识别潜在的缺陷区域。通过使用变分自编码器构建的孪生网络结构进行图像特征解耦,可以有效地分离和识别物体表面的复杂纹理特征,从而提高对缺陷的识别准确性,通过分解和重构图像特征,使得模型能够更深入地理解和处理复杂纹理,从而提高检测效果,针对图像特征解耦网络模型设计的变分自编码器整体损失函数和不变因子相识度损失函数,有助于进一步优化模型的学习过程。这些损失函数不仅提高了模型对特征的捕捉能力,还增强了模型在处理不同纹理和缺陷类型时的鲁棒性。联合损失函数的构建结合了编码器整体损失函数和不变因子相识度损失函数,这样的设计不仅提高了模型对图像特征的解耦能力,还增强了模型对图像中不变因子的识别和学习能力,这种综合性的损失函数使得模型在学习过程中能够更加全面地考虑图像特征,从而提高了缺陷检测的准确性和效率。其次,基于联合损失函数对网络模型进行优化,进一步提升了模型的性能,这种优化过程不仅加强了模型对复杂纹理的处理能力,还提高了模型在面对不同类型缺陷时的适应性。将物体表面补丁图像数据传输至优化后的图像特征解耦网络模型进行不变因子预测,并使用深度神经网络构建的优化异常评分判别器模型进行异常评分,将物体表面补丁图像数据传输至优化的网络模型进行不变因子预测,能够有效地提取对于缺陷检测关键的图像特征,从而提高缺陷检测的准确性,通过精确分析物体表面的图像特征,使得缺陷检测更加精细和准确,基于深度神经网络构建的异常评分判别器模型对物体表面图像的不变因子进行评估处理,进一步提高了缺陷检测的准确度和可靠性。这种模型能够有效地区分正常和异常的图像特征,使得缺陷判断更加准确和敏感,当物体表面的异常评分数据超过预设阈值时,能够自动将相应的图像数据标记为缺陷图像,而当评分数据未超过阈值时,则将其标记为常规图像。这种自动化的标记过程大大提高了缺陷检测的效率,减少了人工干预的需要。因此,本发明的适用于带有表面复杂纹理物体的缺陷检测方法通过特征解耦模型进行异常检测,该方法仅依靠稀少的异常样本就能够表现出良好的异常检测性能,并且相比其他异常检测方法有着更好的检测性能,从而能够很好得完成检测任务。
优选地,步骤S1包括以下步骤:
步骤S11:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;
步骤S12:将物体表面图像数据进行灰度图像转换,生成物体表面灰度图像数据;
步骤S13:根据预设的补丁图像大小数据对物体表面灰度图像数据进行补丁图像划分,生成物体表面补丁图像数据。
本发明利用监控设备进行物体表面图像数据的采集,保证了所收集图像的高分辨率和清晰度,这对于后续的图像处理和缺陷检测至关重要,高清晰度的图像能够提供更细致的表面纹理信息,从而提升缺陷检测的准确性,自动化的图像采集减少了人工干预,提高了数据采集的效率,尤其适用于大规模或连续的生产线检测。将物体表面图像数据转换为灰度图像,简化了图像的颜色信息,这有助于更集中地处理图像的纹理和形状特征,灰度转换减少了处理的复杂度,同时保留了对于缺陷检测关键的信息,灰度图像有助于更清晰地突出物体表面的纹理特征,使得后续的纹理分析和缺陷识别更为准确。根据预设的补丁图像大小对灰度图像进行划分,允许***更精确地处理和分析每一小块区域的特征,从而提高识别局部缺陷的能力,通过划分成小块的补丁图像,可以并行处理多个图像片段,大幅提高整体的数据处理速度和效率,特别是在处理大量图像数据时更为显著。
优选地,步骤S2包括以下步骤:
步骤S21:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型,其中所述图像特征解耦网络模型包括第一全连接层以及第二全连接层;
步骤S22:将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中进行潜在空间映射,分别生成潜在空间图像不变因子以及潜在空间图像变化因子,其中,所述预设的补丁图像训练集化分为第一补丁图像数据以及第二补丁数据,所述将将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中包括:将第一补丁图像数据传输至第一全连接层中,将第二补丁图像数据传输至第二全连接层中;
步骤S23:根据潜在空间图像不变因子以及潜在空间图像变化因子进行变分自编码器整体损失函数设计,生成变分自编码器整体损失函数;
步骤S24:根据潜在空间图像不变因子进行潜在空间图像不变因子的相识度损失函数设计,生成不变因子相识度损失函数。
本发明利用基于变分自编码器的孪生网络结构,可以更有效地实现图像特征的解耦,特别是对于具有复杂纹理的物体表面,有助于更准确地分辨正常纹理和缺陷,通过分别在第一全连接层和第二全连接层处理不同的补丁图像数据,实现了潜在表示中两个分量的解耦。将预设的补丁图像训练集传输至编码器中进行潜在空间映射,能够分别生成潜在空间图像不变因子和变化因子,这有助于更细致地分析图像特征,通过对第一补丁图像数据和第二补丁图像数据分别处理,增加了训练数据的多样性,从而提高了模型的泛化能力和准确性。基于潜在空间的图像不变因子和变化因子设计的变分自编码器整体损失函数,有助于模型更准确地学习和提取关键图像特征,这种损失函数设计使得模型在训练过程中能够更好地优化和调整参数,提高缺陷检测的精确度和可靠性。设计的不变因子相识度损失函数有助于模型更好地识别和保留图像中的关键不变特征,这对于准确识别缺陷至关重要,通过专注于不变因子的相识度损失函数,增强了模型对于不同纹理和缺陷类型的识别能力,使其在多种情况下都能保持高效和准确。
优选地,步骤S23中所述变分自编码器整体损失函数如下所示:
式中,表示为变分自编码器整体损失函数,/>表示为qφ(z(c),z(s)|x)的潜在分布的平均值,φ表示为编码器参数,qφ(·)函数表示为编码器的联合概率后验分布函数,θ表示为解码器参数,pθ(·)函数表示为解码器的联合概率后验分布函数,x表示为模型的输入图像参数,z(c)表示为潜在空间图像不变因子,z(s)表示为潜在空间图像可变因子,DKL(·)函数表示为概率分布的相对熵函数。
本发明利用一种变分自编码器整体损失函数,将VAE作为生成模型时,所生成的数据可以看作是由潜在空间中的多个独立分量的共同表示。假设潜在表示z可以解耦成两个独立的分量,分别对应着变化的纹理特征z(s)和不变的结构特征z(c),那么由解码器所生成的数据就可以看作是这两个分量的联合分布。这可以表示为:pθ(x,z(s),z(c))=pθ(x|z(s),z(c))p(z(s))p(z(c))其中,θ为解码器参数,z(s)和z(c)分别为潜在表示的变化分量和公共分量。根据对VAE优化目标的解释,先验分布p(z(c))和p(z(s))被设置为均值为零,方差为1的标准正态分布。pθ(x|z(c),z(s))同样被设置为一个正态分布,其均值和方差由编码器在编码阶段给出。φ为编码器参数,z(c)和z(s)的后验分布也分别被设为均值为xc(x)、μs(x)以及方差为σc(x)、σs(x)的正态分布,这可以表示为 以及VAE编码过程表示为:qφ(z(c),z(s)|x)=qφ(z(c)|x)qφ(z(s)|x),即:/> 因此,设计出在此网络中的变分自编码器的整体损失函数,从而得到变分自编码器整体损失函数。
优选地,步骤S24中所述不变因子相识度损失函数如下所示:
式中,表示为不变因子相识度损失函数,Dsim(·)函数表示为相识度度量函数,qφ(·)函数表示为编码器的联合概率后验分布函数,z(c)表示为潜在空间图像不变因子,xl表示为第一补丁图像数据,xm表示为第二补丁图像数据;
其中,利用马氏距离的对比损失函数作为相识度度量函数,即:
式中,表示为不变因子相识度损失函数,β表示为用于区别所输入的第一补丁图像数据和第二补丁图像数据是否为相同的类别的二进制标签,Dm表示为qφ(z(c)|xl)编码器的联合概率后验分布函数以及qφ(z(c)|xm)编码器的联合概率后验分布函数的马氏距离,M表示为设定的特征边界数据;
其中,所述Dm表示为qφ(z(c)|xl)编码器的联合概率后验分布函数以及qφ(z(c)|xm)编码器的联合概率后验分布函数的马氏距离的具体表达式为:
式中,Dm表示为qφ(z(c)|xl)编码器的联合概率后验分布函数以及qφ(z(c)|xm)编码器的联合概率后验分布函数的马氏距离,d表示为潜在空间图像不变因子的维度数据,表示为第i个维度的潜在空间图像不变因子的均值数据,xl表示为第一补丁图像数据,xm表示为第二补丁图像数据,/>表示为第i个维度的潜在空间图像不变因子的标准差数据。
本发明设计一种不变因子相识度损失函数,具体实施为,将成对图像样本xl和xm同时输入到两个VAE分支网络中,由编码器将输入编码为对应于不同特征因子的潜在向量。在假设中,我们认为图像中的随机纹理为可变因子,而去除掉随机纹理后的公共结构为不变因子。因此,不变因子相识度损失函数对两个输入的不变因子所对应的潜在分量z(c)进行约束就可以实现潜在表示中两个分量的解耦,即: 其中,Dsim(·)为两个潜在分量之间的相似度度量,可以利用多种度量方法,例如可以简单的使用两个后验的质心μc(xl)与μc(xm)之间的L1或L2距离作为度量标准。但是,当后验分布在每个潜在维度上的方差不同时,质心之间的距离并不能真实的反映出两个分布之间的距离。同时,为了避免部分缺陷特征对特征分离时的干扰,使用了基于马氏距离的对比损失函数作为相似度损失函数,从而对函数调整为:/> 其中,β为二进制标签,用来区别所输入的样本xl和xm是否为相同的类别,Dm(·)为马氏距离,当所输入的数据不同时,其特征边界为m>0。当输入样本相同时,该损失转换为两个分布之间的马氏距离,由于变分近似后验是一个具有对角协方差结构的多元高斯分布。从而,Dm可以由均值和标准差计算出来,即:/> 马氏距离可以看作是欧式距离的多元等效项,相比欧式距离,马氏距离更适合衡量两个点所在分布之间的距离,/>和/>分别表示公共分量中第i个维度的均值和标准差,d为潜在表示的维数。
优选地,步骤S3包括以下步骤:
步骤S31:利用编码器整体损失函数以及不变因子相识度损失函数构建图像特征解耦网络模型的初始联合损失函数,并利用稀松损失函数对图像特征解耦网络模型的初始损失函数进行函数优化,以生成图像特征解耦网络模型的联合损失函数;
步骤S32:根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型。
本发明通过结合编码器整体损失函数和不变因子相识度损失函数来构建图像特征解耦网络模型的初始联合损失函数,有助于更全面地评估模型的性能。这种综合性的损失函数考虑了图像特征解耦的多个方面,包括图像特征的准确解耦和不变因子的准确识别,从而提高了模型训练的准确性和效率,利用稀松损失函数对初始联合损失函数进行优化,进一步提升了模型对关键特征的识别能力,稀松损失函数有助于模型更好地关注于重要的图像特征,同时减少对不重要特征的干扰,从而增强模型对缺陷的识别准确度。基于构建的联合损失函数对图像特征解耦网络模型进行优化,进一步提升模型的性能。这种优化确保了模型在处理复杂纹理图像时的高效性和准确性,特别是在分辨正常纹理和缺陷方面,通过联合损失函数指导的模型优化,不仅提高了模型在特定数据集上的表现,还增强了模型在处理不同类型物体表面纹理时的泛化能力。这使得模型在实际应用中能够适应更多种类的纹理和缺陷,提高了其实用价值。
优选地,步骤S31中所述稀松损失函数如下所示:
式中,表示为稀松损失函数,d表示为潜在空间图像不变因子的维度数据,表示为第i个的维度的潜在空间图像不变因子的参数平均激活程度,τ表示为常量数据。
本发明利用一种稀松损失函数,为了避免在VAE中使用相似性约束后,网络学***凡解,这意味着即使将分量均值的所有维度的值都只是简单的被设为0值,这也仍然可以完全满足所有约束条件,这种情况下,所有的输入信息都会被编码成特定的特征。为了更有效的对特征进行表示,我们在网络损失函数中添加一个惩罚项,用来对分量均值的稀松程度进行约束,定义一个稀松向量用来表示均值向量中第i个维度的平均激活程度,这可以表示为:/>其中,/>为一个训练批次B中第k个输入数据的均值向量的第i维,通过限制潜在空间中的不同分量的均值向量在不同维度的平均激活程度,来鼓励均值向量在不同维度上的特异性,可以将τ描述为一个接近于零的稀松性参数,通过最小化相对熵来使平均激活度尽可能的接近于稀松性常数。
优选地,步骤S31中所述图像特征解耦网络模型的联合损失函数如下所示:
式中,表示为图像特征解耦网络模型的联合损失函数,/>表示为第一全连接层的变分自编码器整体损失函数,/>表示为第二全连接层的变分自编码器整体损失函数,λ1表示为不变因子相识度损失函数的平衡调整系数,/>表示为不变因子相识度损失函数,λ2表示为稀松损失函数的平衡调整系数,/>表示为稀松损失函数。
本发明设计一种图像特征解耦网络模型的联合损失函数,变分自编码器(VAE)在现阶段的解纠缠方法中有着广泛的使用,使用基于深度神经网络的编码器将所输入的任意数据映射到潜在空间中作为潜在表示,可以记为qφ(z|x)。其中,φ为编码器中的权值参数。假设,经过编码器映射后,所输入的数据x,在潜在空间中的表示为/>基于[6]中对可分离表示的定义,潜在表示z可以看作是由多个独立的分量所共同组成的,z的联合概率模型可以表示为p(z)=Πi=1 p(z(i))。那么,当每个分量包含且只包含一个语义信息时,图像中一个可观测的变化因子的改变只会对应着一个分量z(i)的改变。当潜在表示中的独立分量多于语义变化因子数量时(v≤dz),z中就会存在一个与可观测的变化因子无关的子集,子集中的元素不一定具有明确的语义信息,但仍然满足独立假设。也就是说在这个子集中会存与所有的可观测的变化因子都不相关的潜在元素,即:/> 以及/>其中/>为含有z中所有变化因子所对应的基本分量的集合,将图像xl,xm∈X分别为输入到网络的VAE的编码器中,图像经编码器编码后被分解为z(c)和z(s),分别对应于给定图像对中的不变和变化的因子为了将图像中对应于共同特征和可变特征的潜在分量z(s)和z(c)相互解耦,从而设计为一个由多种损失组成的联合损失函数,以得到图像特征解耦网络模型的联合损失函数。其中,和/>分别为两个输入在各自VAE分支中的损失函数。/>为相似度损失函数,它用来约束两个图像中不变特征所对应的潜在分量,/>是一个由稀松损失函数所表示的惩罚项,其通过对共同特征所对应的潜在分量在各维度上的均值进行稀松约束来避免过拟合。λ1和λ2分别是用来平衡两个损失项的系数,使用了经验参数λ1作为损失函数中的平衡系数。当训练集中有足够的缺陷样本时,可以专注于重建图像质量并依靠分类器提高分类性能。当缺陷样本不足时,可以通过增强相似度函数来强调分布边界从而获得更加清晰的决策空间。
优选地,步骤S4包括以下步骤:
步骤S41:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;
步骤S42:基于深度神经网络模型构建异常评分判别器模型;
步骤S43:基于预设的异常评分训练集以及异常评分判别器模型进行模型训练优化,生成优化异常评分判别器模型;
步骤S44:将物体表面图像不变因子映射至优化异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
本发明将物体表面补丁图像数据传输至优化后的图像特征解耦网络模型进行不变因子预测,可以精确地提取关键的图像特征,这对于识别缺陷至关重要,通过专注于不变因子,模型能够更有效地区分正常纹理和异常缺陷。优化后的网络模型在处理图像数据时更加高效,能够快速准确地生成图像的不变因子,从而为后续的缺陷判别提供可靠的基础。基于深度神经网络模型构建的异常评分判别器模型能够高效地处理和评估图像数据。这种模型能够更精确地对图像进行分析,提高缺陷检测的准确性,深度神经网络模型具有良好的泛化能力,这使得异常评分判别器能够适应多种不同的图像纹理和缺陷类型。基于预设的异常评分训练集对异常评分判别器模型进行训练优化,能够使模型更好地适应实际应用中的数据特征,提高识别准确率。通过这种训练优化,模型不仅提升了对当前数据集的处理效果,还增强了在面对新的或未知类型的图像数据时的适应性和稳定性。将物体表面图像不变因子映射至优化后的异常评分判别器模型中进行评估处理,能够准确生成物体表面的异常评分数据。根据这些数据,***可以自动地将图像数据分类为缺陷图像或常规图像,大大提高了检测的自动化程度和效率,当物体表面的异常评分超过预设阈值时,能够快速且准确地标记出缺陷图像,确保了检测的高灵敏度和准确性,对于提高产品质量控制的效率至关重要。
优选地,步骤S43包括以下步骤:
将预设的异常评分训练集传输至异常评分判别器模型进行模型训练优化,生成训练后的异常评分判别器模型;
利用交叉熵损失函数对训练后的异常评分判别器模型进行模型优化,生成优化异常评分判别器模型。
本发明将预设的异常评分训练集传输至异常评分判别器模型进行模型训练,这个过程有助于模型学习和适应实际应用中可能遇到的各种图像数据。通过对多样化的训练数据进行学习,模型能够更准确地识别和评估物体表面的异常特征,这种训练过程不仅提高了模型在特定数据集上的表现,还增强了模型在处理不同类型物体表面纹理时的泛化能力。模型经过针对性的训练后,能够更有效地处理和判断各种复杂的纹理和缺陷情况。利用交叉熵损失函数对训练后的异常评分判别器模型进行进一步优化,能够更有效地调整模型参数,减少预测误差。交叉熵损失函数特别适合用于分类问题,它能够提升模型在缺陷检测分类任务中的性能,通过交叉熵损失函数进行优化,模型在区分正常图像和缺陷图像时的灵敏度和准确度得到了提升。这种优化方法使得模型在面对接近阈值的复杂情况时,能够作出更准确的判断。
本申请有益效果在于,本发明提出了一种基于特征解耦模型的表面缺陷检测方法,该方法仅依靠稀少的异常样本就能够表现出良好的异常检测性能,此方法的关键是找到一个能够分离表面随机纹理特征与稳定结构特征的潜在空间,这样就可以在这个空间中直接对表面结构的异常进行判断。在推理阶段,将待检测图像分割为补丁输入到检测网络中进行检测,并根据补丁位置来返回整张图片中异常的大致区域,在一组公开缺陷数据集上对所提出的方法进行了验证并与其他几种缺陷检测方法进行了对比,结果表明本方法仅依靠少量的异常数据就可以实现对带有纹理的工业产品的表面异常检测任务,并且相比其他异常检测方法有着更好的检测性能。
附图说明
图1为本发明一种适用于带有表面复杂纹理物体的缺陷检测方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供一种适用于带有表面复杂纹理物体的缺陷检测方法,包括以下步骤:
步骤S1:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;根据预设的补丁图像大小数据对物体表面图像数据进行补丁图像划分,生成物体表面补丁图像数据;
步骤S2:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型;根据图像特征解耦网络模型设计变分自编码器整体损失函数以及不变因子相识度损失函数;
步骤S3:基于变分自编码器整体损失函数以及不变因子相识度损失函数构建图像特征解耦网络模型的联合损失函数;根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型;
步骤S4:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;基于深度神经网络模型构建优化异常评分判别器模型;将物体表面图像不变因子映射至异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
本发明通过监控设备的高精度采集,确保了收集到的图像数据具有高质量,这对于后续的缺陷检测至关重要。高质量的图像数据能够提供更丰富、更精确的表面纹理信息,从而增强缺陷检测的准确性。根据预设的补丁图像大小对图像数据进行划分,进一步提升了数据处理的效率和精确性,使得图像处理变得更加灵活和高效,尤其是在处理具有复杂表面纹理的物体时,能够更准确地定位和识别潜在的缺陷区域。通过使用变分自编码器构建的孪生网络结构进行图像特征解耦,可以有效地分离和识别物体表面的复杂纹理特征,从而提高对缺陷的识别准确性,通过分解和重构图像特征,使得模型能够更深入地理解和处理复杂纹理,从而提高检测效果,针对图像特征解耦网络模型设计的变分自编码器整体损失函数和不变因子相识度损失函数,有助于进一步优化模型的学习过程。这些损失函数不仅提高了模型对特征的捕捉能力,还增强了模型在处理不同纹理和缺陷类型时的鲁棒性。联合损失函数的构建结合了编码器整体损失函数和不变因子相识度损失函数,这样的设计不仅提高了模型对图像特征的解耦能力,还增强了模型对图像中不变因子的识别和学习能力,这种综合性的损失函数使得模型在学习过程中能够更加全面地考虑图像特征,从而提高了缺陷检测的准确性和效率。其次,基于联合损失函数对网络模型进行优化,进一步提升了模型的性能,这种优化过程不仅加强了模型对复杂纹理的处理能力,还提高了模型在面对不同类型缺陷时的适应性。将物体表面补丁图像数据传输至优化后的图像特征解耦网络模型进行不变因子预测,并使用深度神经网络构建的优化异常评分判别器模型进行异常评分,将物体表面补丁图像数据传输至优化的网络模型进行不变因子预测,能够有效地提取对于缺陷检测关键的图像特征,从而提高缺陷检测的准确性,通过精确分析物体表面的图像特征,使得缺陷检测更加精细和准确,基于深度神经网络构建的异常评分判别器模型对物体表面图像的不变因子进行评估处理,进一步提高了缺陷检测的准确度和可靠性。这种模型能够有效地区分正常和异常的图像特征,使得缺陷判断更加准确和敏感,当物体表面的异常评分数据超过预设阈值时,能够自动将相应的图像数据标记为缺陷图像,而当评分数据未超过阈值时,则将其标记为常规图像。这种自动化的标记过程大大提高了缺陷检测的效率,减少了人工干预的需要。因此,本发明的适用于带有表面复杂纹理物体的缺陷检测方法通过特征解耦模型进行异常检测,该方法仅依靠稀少的异常样本就能够表现出良好的异常检测性能,并且相比其他异常检测方法有着更好的检测性能,从而能够很好得完成检测任务。
本发明实施例中,参考图1所述,为本发明一种适用于带有表面复杂纹理物体的缺陷检测方法的步骤流程示意图,在本实施例中,所述适用于带有表面复杂纹理物体的缺陷检测方法包括以下步骤:
步骤S1:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;根据预设的补丁图像大小数据对物体表面图像数据进行补丁图像划分,生成物体表面补丁图像数据;
本发明实施例中,使用高分辨率的监控设备(如工业相机)对目标物体的表面进行拍摄。这些设备应能够捕捉到物体表面的细节,特别是复杂纹理或潜在的缺陷。拍摄的图像应具有足够的清晰度和对比度,以确保后续处理过程中能够准确识别缺陷,以得到物体表面图像数据,包括900张尺寸为200×200,位深为8,格式为BMP的热轧带钢表面灰度图像所组成。对采集到的图像进行必要的预处理,如调整亮度、对比度或应用去噪算法,以提高图像质量。根据预设的补丁图像大小(例如,48×48像素),将每张原始图像裁剪成多个小块。这些小块可以更容易地被后续的算法处理,在裁剪过程中,可以设计一定比例的重叠区域(例如20%),以避免由于裁剪导致的缺陷信息丢失,对于边缘区域,可以根据实际情况调整裁剪的大小和形状,以确保重要的信息不被遗漏。
步骤S2:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型;根据图像特征解耦网络模型设计变分自编码器整体损失函数以及不变因子相识度损失函数;
本发明实施例中,使用两个具有相同架构的变分自编码器(VAE)作为网络的基础。这两个VAE分支共享编码器和解码器的权值,意味着两个分支在学习过程中会共同更新这些权值,每个VAE分支的编码器部分由多个卷积层构成。这些卷积层可以使用3×3的卷积核和步长为2,以逐步减少特征图的尺寸,同时增加通道数(例如,从128增加到512)。在卷积层之间,可以使用ReLU激活函数以及Dropout技术来避免过拟合,编码器的输出连接到两个全连接层,分别产生潜在表示中的公共分量和变化分量的均值和方差。
采用重参数技巧,从标准多维正态分布中采样,并结合编码器输出的均值和方差,生成图像的潜在空间表示的相关数据。解码器结构与编码器相对称,使用2D反卷积层(具有逐渐减小的通道数,例如从512减少到128)重建输入图像。整体损失函数应结合重建误差和潜在空间的正则化项,重建误差衡量输入图像和重建图像之间的差异,而正则化项确保潜在空间的分布接近预定义的分布(通常是正态分布)。不变因子相识度损失函数用于确保网络能够有效地学***衡重建质量和特征提取的准确性,逐步调整网络参数,直到损失函数达到最小或满足其他既定的停止标准。
步骤S3:基于变分自编码器整体损失函数以及不变因子相识度损失函数构建图像特征解耦网络模型的联合损失函数;根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型;
本发明实施例中,结合编码器整体损失函数和不变因子相识度损失函数来构建图像特征解耦网络模型的联合损失函数,编码器整体损失函数通常包括重建损失和潜在空间的正则化损失。重建损失可以使用均方误差(MSE)或交叉熵等度量,用于衡量输入图像和重建图像之间的差异。正则化损失确保潜在空间的分布接近标准正态分布。不变因子相识度损失函数用于增强模型在提取不变特征方面的能力,可以通过比较相同类别的图像在潜在空间中的表示来实现,例如使用余弦相似度或其他相似度度量,结合编码器整体损失函数和不变因子相识度损失函数来构建图像特征解耦网络模型的联合损失函数。编码器整体损失函数通常包括重建损失和潜在空间的正则化损失,重建损失可以使用均方误差(MSE)或交叉熵等度量,用于衡量输入图像和重建图像之间的差异。正则化损失确保潜在空间的分布接近标准正态分布,不变因子相识度损失函数用于增强模型在提取不变特征方面的能力,以通过比较相同类别的图像在潜在空间中的表示来实现,例如使用余弦相似度或其他相似度度量。使用验证集对优化后的模型进行评估,检查模型在解耦图像特征和提取不变因子方面的性能,如果模型性能不符合预期,可以通过调整损失函数的权重参数或优化网络架构(例如,增加或减少层数,调整卷积核大小等)来进一步优化模型,完成优化过程后,得到的模型将具备更强的图像特征解耦能力和提取不变因子的能力,从而为后续的缺陷检测提供更准确的特征表示。
步骤S4:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;基于深度神经网络模型构建优化异常评分判别器模型;将物体表面图像不变因子映射至异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
本发明实施例中,将物体表面的补丁图像数据输入到已优化的图像特征解耦网络模型中。这个模型将对每个补丁进行分析,提取出关键的不变因子,这些因子捕捉了图像中与缺陷检测相关的重要特征,不变因子预测过程涉及将补丁图像通过编码器传递,以得到潜在空间中的表示,这些表示即为不变因子。利用深度神经网络(如多层感知机)构建一个优化异常评分判别器模型。这个模型由多个全连接层组成,可以在每个全连接层后使用ReLU激活函数以及Dropout技术来防止过拟合,最后一层使用sigmoid函数来输出一个介于0和1之间的异常评分,表示每个补丁图像属于缺陷类别的概率。将提取的不变因子输入到优化异常评分判别器模型中,对每个补丁图像进行异常评分的评估处理,基于这些评分,生成物体表面的异常评分数据,这些数据反映了每个补丁图像可能包含缺陷的概率。设置一个预设的异常评分阈值。当某个补丁的异常评分超过这个阈值时,将该补丁对应的原始图像标记为含有缺陷,如果评分低于或等于阈值,则将相应的图像标记为常规图像,无缺陷。对于被标记为含有缺陷的图像,可以进一步进行缺陷的具体分类、定位或提供修复建议,此外,可以将标记结果用于产线的质量控制,对含有缺陷的产品进行筛选或报警。
优选地,步骤S1包括以下步骤:
步骤S11:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;
步骤S12:将物体表面图像数据进行灰度图像转换,生成物体表面灰度图像数据;
步骤S13:根据预设的补丁图像大小数据对物体表面灰度图像数据进行补丁图像划分,生成物体表面补丁图像数据。
本发明利用监控设备进行物体表面图像数据的采集,保证了所收集图像的高分辨率和清晰度,这对于后续的图像处理和缺陷检测至关重要,高清晰度的图像能够提供更细致的表面纹理信息,从而提升缺陷检测的准确性,自动化的图像采集减少了人工干预,提高了数据采集的效率,尤其适用于大规模或连续的生产线检测。将物体表面图像数据转换为灰度图像,简化了图像的颜色信息,这有助于更集中地处理图像的纹理和形状特征,灰度转换减少了处理的复杂度,同时保留了对于缺陷检测关键的信息,灰度图像有助于更清晰地突出物体表面的纹理特征,使得后续的纹理分析和缺陷识别更为准确。根据预设的补丁图像大小对灰度图像进行划分,允许***更精确地处理和分析每一小块区域的特征,从而提高识别局部缺陷的能力,通过划分成小块的补丁图像,可以并行处理多个图像片段,大幅提高整体的数据处理速度和效率,特别是在处理大量图像数据时更为显著。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;
本发明实施例中,使用高分辨率的监控设备(如工业相机)对目标物体的表面进行拍摄。这些设备应能够捕捉到物体表面的细节,特别是复杂纹理或潜在的缺陷。拍摄的图像应具有足够的清晰度和对比度,以确保后续处理过程中能够准确识别缺陷,以得到物体表面图像数据,包括900张尺寸为200×200,位深为8,格式为BMP的热轧带钢表面灰度图像所组成。
步骤S12:将物体表面图像数据进行灰度图像转换,生成物体表面灰度图像数据;
本发明实施例中,对采集到的彩色图像进行灰度转换。这一步骤可以通过移除颜色信息,将每个像素点的RGB值转换为灰度值来实现,转换为灰度图像的目的是减少后续处理的计算负担,同时突出物体表面的纹理和形状特征,这对于缺陷检测尤为重要,灰度转换可以使用常见的图像处理库(如OpenCV、PIL等)进行。
步骤S13:根据预设的补丁图像大小数据对物体表面灰度图像数据进行补丁图像划分,生成物体表面补丁图像数据。
本发明实施例中,根据预设的补丁图像大小(例如,48×48像素),将每张灰度图像裁剪成多个小块。这些小块可以更容易地被后续的算法处理,在裁剪过程中,可以设计一定比例的重叠区域(例如20%),以避免由于裁剪导致的缺陷信息丢失,对于边缘区域,可以根据实际情况调整裁剪的大小和形状,以确保重要的信息不被遗漏。
优选地,步骤S2包括以下步骤:
步骤S21:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型,其中所述图像特征解耦网络模型包括第一全连接层以及第二全连接层;
步骤S22:将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中进行潜在空间映射,分别生成潜在空间图像不变因子以及潜在空间图像变化因子,其中,所述预设的补丁图像训练集化分为第一补丁图像数据以及第二补丁数据,所述将将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中包括:将第一补丁图像数据传输至第一全连接层中,将第二补丁图像数据传输至第二全连接层中;
步骤S23:根据潜在空间图像不变因子以及潜在空间图像变化因子进行变分自编码器整体损失函数设计,生成变分自编码器整体损失函数;
步骤S24:根据潜在空间图像不变因子进行潜在空间图像不变因子的相识度损失函数设计,生成不变因子相识度损失函数。
本发明利用基于变分自编码器的孪生网络结构,可以更有效地实现图像特征的解耦,特别是对于具有复杂纹理的物体表面,有助于更准确地分辨正常纹理和缺陷,通过分别在第一全连接层和第二全连接层处理不同的补丁图像数据,实现了潜在表示中两个分量的解耦。将预设的补丁图像训练集传输至编码器中进行潜在空间映射,能够分别生成潜在空间图像不变因子和变化因子,这有助于更细致地分析图像特征,通过对第一补丁图像数据和第二补丁图像数据分别处理,增加了训练数据的多样性,从而提高了模型的泛化能力和准确性。基于潜在空间的图像不变因子和变化因子设计的变分自编码器整体损失函数,有助于模型更准确地学习和提取关键图像特征,这种损失函数设计使得模型在训练过程中能够更好地优化和调整参数,提高缺陷检测的精确度和可靠性。设计的不变因子相识度损失函数有助于模型更好地识别和保留图像中的关键不变特征,这对于准确识别缺陷至关重要,通过专注于不变因子的相识度损失函数,增强了模型对于不同纹理和缺陷类型的识别能力,使其在多种情况下都能保持高效和准确。
作为本发明的一个实例,参考图3所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型,其中所述图像特征解耦网络模型包括第一全连接层以及第二全连接层;
本发明实施例中,使用基于变分自编码器(VAE)的孪生网络架构来构建图像特征解耦网络模型。这个模型包括两个关键组成部分:第一全连接层和第二全连接层,网络的编码器部分由若干卷积层组成,用于提取图像的特征并降低其维度。然后,这些特征被传递到两个不同的全连接层,即第一全连接层和第二全连接层,分别用于提取图像的不变因子和变化因子。
步骤S22:将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中进行潜在空间映射,分别生成潜在空间图像不变因子以及潜在空间图像变化因子,其中,所述预设的补丁图像训练集化分为第一补丁图像数据以及第二补丁数据,所述将将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中包括:将第一补丁图像数据传输至第一全连接层中,将第二补丁图像数据传输至第二全连接层中;
本发明实施例中,将预处理后的补丁图像训练集输入到图像特征解耦网络模型的编码器中。训练集被分为两部分:第一补丁图像数据和第二补丁图像数据。第一补丁图像数据被传输至第一全连接层中,而第二补丁图像数据被传输至第二全连接层中。这种分离确保了网络能够分别学习图像的不变因子和变化因子。
步骤S23:根据潜在空间图像不变因子以及潜在空间图像变化因子进行变分自编码器整体损失函数设计,生成变分自编码器整体损失函数;
本发明实施例中,基于从编码器得到的潜在空间图像不变因子和变化因子设计变分自编码器的整体损失函数。这个损失函数通常包括重建损失和正则化损失(如KL散度)等,以确保潜在空间的有效性和一致性。
步骤S24:根据潜在空间图像不变因子进行潜在空间图像不变因子的相识度损失函数设计,生成不变因子相识度损失函数。
本发明实施例中,根据潜在空间图像不变因子设计相识度损失函数。这种损失函数的目的是确保网络能够有效地学习和提取对于缺陷检测关键的不变特征。不变因子相识度损失函数可以通过比较相同类别内补丁的潜在表示来实现,或者使用特定的相似度度量(如余弦相似度)。
优选地,步骤S23中所述变分自编码器整体损失函数如下所示:
式中,表示为变分自编码器整体损失函数,/>表示为qφ(z(c),z(s)|x)的潜在分布的平均值,φ表示为编码器参数,qφ(·)函数表示为编码器的联合概率后验分布函数,θ表示为解码器参数,pθ(·)函数表示为解码器的联合概率后验分布函数,x表示为模型的输入图像参数,z(c)表示为潜在空间图像不变因子,z(s)表示为潜在空间图像可变因子,DKL(·)函数表示为概率分布的相对熵函数。
本发明利用一种变分自编码器整体损失函数,将VAE作为生成模型时,所生成的数据可以看作是由潜在空间中的多个独立分量的共同表示。假设潜在表示z可以解耦成两个独立的分量,分别对应着变化的纹理特征z(s)和不变的结构特征z(c),那么由解码器所生成的数据就可以看作是这两个分量的联合分布。这可以表示为:pθ(x,z(s),z(c))=pθ(x|z(s),z(c))p(z(s))p(z(c))其中,θ为解码器参数,z(s)和z(c)分别为潜在表示的变化分量和公共分量。根据对VAE优化目标的解释,先验分布p(z(c))和p(z(s))被设置为均值为零,方差为1的标准正态分布。pθ(x|z(c),z(s))同样被设置为一个正态分布,其均值和方差由编码器在编码阶段给出。φ为编码器参数,z(c)和z(s)的后验分布也分别被设为均值为μc(x)、μs(x)以及方差为σc(x)、σs(x)的正态分布,这可以表示为 以及VAE编码过程表示为:qφ(z(c),z(s)|x)=qφ(z(c)|x)qφ(z(s)|x),即:/> 因此,设计出在此网络中的变分自编码器的整体损失函数,从而得到变分自编码器整体损失函数。
优选地,步骤S24中所述不变因子相识度损失函数如下所示:
式中,表示为不变因子相识度损失函数,Dsim(·)函数表示为相识度度量函数,qφ(·)函数表示为编码器的联合概率后验分布函数,z(c)表示为潜在空间图像不变因子,xl表示为第一补丁图像数据,xm表示为第二补丁图像数据;
其中,利用马氏距离的对比损失函数作为相识度度量函数,即:
/>
式中,表示为不变因子相识度损失函数,β表示为用于区别所输入的第一补丁图像数据和第二补丁图像数据是否为相同的类别的二进制标签,Dm表示为qφ(z(c)|xl)编码器的联合概率后验分布函数以及qφ(z(c)|xm)编码器的联合概率后验分布函数的马氏距离,M表示为设定的特征边界数据;
其中,所述Dm表示为qφ(z(c)|xl)编码器的联合概率后验分布函数以及qφ(z(c)|xm)编码器的联合概率后验分布函数的马氏距离的具体表达式为:
式中,Dm表示为qφ(z(c)|xl)编码器的联合概率后验分布函数以及qφ(z(c)|xm)编码器的联合概率后验分布函数的马氏距离,d表示为潜在空间图像不变因子的维度数据,表示为第i个维度的潜在空间图像不变因子的均值数据,xl表示为第一补丁图像数据,xm表示为第二补丁图像数据,/>表示为第i个维度的潜在空间图像不变因子的标准差数据。
本发明设计一种不变因子相识度损失函数,具体实施为,将成对图像样本xl和xm同时输入到两个VAE分支网络中,由编码器将输入编码为对应于不同特征因子的潜在向量。在假设中,我们认为图像中的随机纹理为可变因子,而去除掉随机纹理后的公共结构为不变因子。因此,不变因子相识度损失函数对两个输入的不变因子所对应的潜在分量z(c)进行约束就可以实现潜在表示中两个分量的解耦,即: 其中,Dsim(·)为两个潜在分量之间的相似度度量,可以利用多种度量方法,例如可以简单的使用两个后验的质心μc(xl)与μc(xm)之间的L1或L2距离作为度量标准。但是,当后验分布在每个潜在维度上的方差不同时,质心之间的距离并不能真实的反映出两个分布之间的距离。同时,为了避免部分缺陷特征对特征分离时的干扰,使用了基于马氏距离的对比损失函数作为相似度损失函数,从而对函数调整为:/> 其中,β为二进制标签,用来区别所输入的样本xl和xm是否为相同的类别,Dm(·)为马氏距离,当所输入的数据不同时,其特征边界为m>0。当输入样本相同时,该损失转换为两个分布之间的马氏距离,由于变分近似后验是一个具有对角协方差结构的多元高斯分布。从而,Dm可以由均值和标准差计算出来,即:/> 马氏距离可以看作是欧式距离的多元等效项,相比欧式距离,马氏距离更适合衡量两个点所在分布之间的距离,/>和/>分别表示公共分量中第i个维度的均值和标准差,d为潜在表示的维数。
优选地,步骤S3包括以下步骤:
步骤S31:利用编码器整体损失函数以及不变因子相识度损失函数构建图像特征解耦网络模型的初始联合损失函数,并利用稀松损失函数对图像特征解耦网络模型的初始损失函数进行函数优化,以生成图像特征解耦网络模型的联合损失函数;
步骤S32:根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型。
本发明通过结合编码器整体损失函数和不变因子相识度损失函数来构建图像特征解耦网络模型的初始联合损失函数,有助于更全面地评估模型的性能。这种综合性的损失函数考虑了图像特征解耦的多个方面,包括图像特征的准确解耦和不变因子的准确识别,从而提高了模型训练的准确性和效率,利用稀松损失函数对初始联合损失函数进行优化,进一步提升了模型对关键特征的识别能力,稀松损失函数有助于模型更好地关注于重要的图像特征,同时减少对不重要特征的干扰,从而增强模型对缺陷的识别准确度。基于构建的联合损失函数对图像特征解耦网络模型进行优化,进一步提升模型的性能。这种优化确保了模型在处理复杂纹理图像时的高效性和准确性,特别是在分辨正常纹理和缺陷方面,通过联合损失函数指导的模型优化,不仅提高了模型在特定数据集上的表现,还增强了模型在处理不同类型物体表面纹理时的泛化能力。这使得模型在实际应用中能够适应更多种类的纹理和缺陷,提高了其实用价值。
本发明实施例中,首先,结合编码器整体损失函数和不变因子相识度损失函数来构建图像特征解耦网络模型的初始联合损失函数。编码器整体损失函数通常包括重建损失(例如,均方误差)和正则化损失(例如,KL散度),以确保潜在表示的质量和分布的规范性。不变因子相识度损失函数旨在增强模型学***衡点,确保模型既能有效重建图像,又能精确提取关键特征,定期使用验证数据集评估模型的性能,确保模型优化过程中不会出现过拟合。如果发现模型性能在验证集上下降,可以采取相应措施,如调整损失函数的权重或早期停止训练。
优选地,步骤S31中所述稀松损失函数如下所示:
式中,表示为稀松损失函数,d表示为潜在空间图像不变因子的维度数据,表示为第i个的维度的潜在空间图像不变因子的参数平均激活程度,τ表示为常量数据。
本发明利用一种稀松损失函数,为了避免在VAE中使用相似性约束后,网络学***凡解,这意味着即使将分量均值的所有维度的值都只是简单的被设为0值,这也仍然可以完全满足所有约束条件,这种情况下,所有的输入信息都会被编码成特定的特征。为了更有效的对特征进行表示,我们在网络损失函数中添加一个惩罚项,用来对分量均值的稀松程度进行约束,定义一个稀松向量用来表示均值向量中第i个维度的平均激活程度,这可以表示为:/>其中,/>为一个训练批次B中第k个输入数据的均值向量的第i维,通过限制潜在空间中的不同分量的均值向量在不同维度的平均激活程度,来鼓励均值向量在不同维度上的特异性,可以将τ描述为一个接近于零的稀松性参数,通过最小化相对熵来使平均激活度尽可能的接近于稀松性常数。
优选地,步骤S31中所述图像特征解耦网络模型的联合损失函数如下所示:
式中,表示为图像特征解耦网络模型的联合损失函数,/>表示为第一全连接层的变分自编码器整体损失函数,/>表示为第二全连接层的变分自编码器整体损失函数,λ1表示为不变因子相识度损失函数的平衡调整系数,/>表示为不变因子相识度损失函数,λ2表示为稀松损失函数的平衡调整系数,/>表示为稀松损失函数。
本发明设计一种图像特征解耦网络模型的联合损失函数,变分自编码器(VAE)在现阶段的解纠缠方法中有着广泛的使用,使用基于深度神经网络的编码器将所输入的任意数据映射到潜在空间中作为潜在表示,可以记为qφ(z|x)。其中,φ为编码器中的权值参数。假设,经过编码器映射后,所输入的数据x,在潜在空间中的表示为/>基于[6]中对可分离表示的定义,潜在表示z可以看作是由多个独立的分量所共同组成的,z的联合概率模型可以表示为p(z)=Πi=1 p(z(i))。那么,当每个分量包含且只包含一个语义信息时,图像中一个可观测的变化因子的改变只会对应着一个分量z(i)的改变。当潜在表示中的独立分量多于语义变化因子数量时(v≤dz),z中就会存在一个与可观测的变化因子无关的子集,子集中的元素不一定具有明确的语义信息,但仍然满足独立假设。也就是说在这个子集中会存与所有的可观测的变化因子都不相关的潜在元素,即:/> 以及/>其中/>为含有z中所有变化因子所对应的基本分量的集合,将图像xl,xm∈X分别为输入到网络的VAE的编码器中,图像经编码器编码后被分解为z(c)和z(s),分别对应于给定图像对中的不变和变化的因子为了将图像中对应于共同特征和可变特征的潜在分量z(s)和z(c)相互解耦,从而设计为一个由多种损失组成的联合损失函数,以得到图像特征解耦网络模型的联合损失函数。其中,和/>分别为两个输入在各自VAE分支中的损失函数。/>为相似度损失函数,它用来约束两个图像中不变特征所对应的潜在分量,/>是一个由稀松损失函数所表示的惩罚项,其通过对共同特征所对应的潜在分量在各维度上的均值进行稀松约束来避免过拟合。λ1和λ2分别是用来平衡两个损失项的系数,使用了经验参数λ1作为损失函数中的平衡系数。当训练集中有足够的缺陷样本时,可以专注于重建图像质量并依靠分类器提高分类性能。当缺陷样本不足时,可以通过增强相似度函数来强调分布边界从而获得更加清晰的决策空间。
优选地,步骤S4包括以下步骤:
步骤S41:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;
步骤S42:基于深度神经网络模型构建异常评分判别器模型;
步骤S43:基于预设的异常评分训练集以及异常评分判别器模型进行模型训练优化,生成优化异常评分判别器模型;
步骤S44:将物体表面图像不变因子映射至优化异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
本发明将物体表面补丁图像数据传输至优化后的图像特征解耦网络模型进行不变因子预测,可以精确地提取关键的图像特征,这对于识别缺陷至关重要,通过专注于不变因子,模型能够更有效地区分正常纹理和异常缺陷。优化后的网络模型在处理图像数据时更加高效,能够快速准确地生成图像的不变因子,从而为后续的缺陷判别提供可靠的基础。基于深度神经网络模型构建的异常评分判别器模型能够高效地处理和评估图像数据。这种模型能够更精确地对图像进行分析,提高缺陷检测的准确性,深度神经网络模型具有良好的泛化能力,这使得异常评分判别器能够适应多种不同的图像纹理和缺陷类型。基于预设的异常评分训练集对异常评分判别器模型进行训练优化,能够使模型更好地适应实际应用中的数据特征,提高识别准确率。通过这种训练优化,模型不仅提升了对当前数据集的处理效果,还增强了在面对新的或未知类型的图像数据时的适应性和稳定性。将物体表面图像不变因子映射至优化后的异常评分判别器模型中进行评估处理,能够准确生成物体表面的异常评分数据。根据这些数据,***可以自动地将图像数据分类为缺陷图像或常规图像,大大提高了检测的自动化程度和效率,当物体表面的异常评分超过预设阈值时,能够快速且准确地标记出缺陷图像,确保了检测的高灵敏度和准确性,对于提高产品质量控制的效率至关重要。
作为本发明的一个实例,参考图4所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;
本发明实施例中,将物体表面的补丁图像数据输入到已优化的图像特征解耦网络模型中。这个模型将对每个补丁进行分析,提取出关键的不变因子,这些因子捕捉了图像中与缺陷检测相关的重要特征,不变因子预测过程涉及将补丁图像通过编码器传递,以得到潜在空间中的表示,这些表示即为不变因子。
步骤S42:基于深度神经网络模型构建异常评分判别器模型;
本发明实施例中,利用深度神经网络(如多层感知机)构建一个异常评分判别器模型。这个模型由多个全连接层组成,可以在每个全连接层后使用ReLU激活函数以及Dropout技术来防止过拟合,最后一层使用sigmoid函数来输出一个介于0和1之间的异常评分,表示每个补丁图像属于缺陷类别的概率。
步骤S43:基于预设的异常评分训练集以及异常评分判别器模型进行模型训练优化,生成优化异常评分判别器模型;
本发明实施例中,使用预设的异常评分训练集对异常评分判别器模型进行训练和优化。训练集应包含各种类型的补丁图像,包括正常和异常(含缺陷)的样本。在训练过程中,根据模型在训练集上的表现不断调整参数,以优化模型的异常检测能力。
步骤S44:将物体表面图像不变因子映射至优化异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
本发明实施例中,将提取的不变因子输入到优化异常评分判别器模型中,对每个补丁图像进行异常评分的评估处理,基于这些评分,生成物体表面的异常评分数据,这些数据反映了每个补丁图像可能包含缺陷的概率。设置一个预设的异常评分阈值。当某个补丁的异常评分超过这个阈值时,将该补丁对应的原始图像标记为含有缺陷,如果评分低于或等于阈值,则将相应的图像标记为常规图像,无缺陷。对于被标记为含有缺陷的图像,可以进一步进行缺陷的具体分类、定位或提供修复建议,此外,可以将标记结果用于产线的质量控制,对含有缺陷的产品进行筛选或报警。
优选地,步骤S43包括以下步骤:
将预设的异常评分训练集传输至异常评分判别器模型进行模型训练优化,生成训练后的异常评分判别器模型;
利用交叉熵损失函数对训练后的异常评分判别器模型进行模型优化,生成优化异常评分判别器模型。
本发明将预设的异常评分训练集传输至异常评分判别器模型进行模型训练,这个过程有助于模型学习和适应实际应用中可能遇到的各种图像数据。通过对多样化的训练数据进行学习,模型能够更准确地识别和评估物体表面的异常特征,这种训练过程不仅提高了模型在特定数据集上的表现,还增强了模型在处理不同类型物体表面纹理时的泛化能力。模型经过针对性的训练后,能够更有效地处理和判断各种复杂的纹理和缺陷情况。利用交叉熵损失函数对训练后的异常评分判别器模型进行进一步优化,能够更有效地调整模型参数,减少预测误差。交叉熵损失函数特别适合用于分类问题,它能够提升模型在缺陷检测分类任务中的性能,通过交叉熵损失函数进行优化,模型在区分正常图像和缺陷图像时的灵敏度和准确度得到了提升。这种优化方法使得模型在面对接近阈值的复杂情况时,能够作出更准确的判断。
本发明实施例中,我们使用一个参数为ψ的由深度神经网络构造的判别器Cψ(z(c))将训练集中的图像不变因子映射到一个判别空间。在训练时,为了避免训练数据不平衡对划分空间的影响,使用过采样异常样本来构建一个正常样本和异常样本同等数量的小的训练批次。将sigmoid函数作为判别器最后一层中的激活函数,并将交叉熵损失作为判别器的损失函数,叉熵损失函数特别适合于二分类问题,它可以衡量模型输出的概率分布与真实标签的概率分布之间的差异。在训练过程中,利用反向传播算法计算损失函数关于模型参数的梯度,并使用梯度下降(或其他优化算法)来更新模型参数,以减少损失函数的值,定期在验证集上评估模型性能,以确保模型不仅在训练集上表现良好,也能够泛化到未见过的数据。最终得到的异常评分判别器模型将具有较强的区分正常和异常图像的能力。这个优化后的模型可以更准确地为后续步骤中的每个补丁图像生成异常评分。
本申请有益效果在于,本发明提出了一种基于特征解耦模型的表面缺陷检测方法,该方法仅依靠稀少的异常样本就能够表现出良好的异常检测性能,此方法的关键是找到一个能够分离表面随机纹理特征与稳定结构特征的潜在空间,这样就可以在这个空间中直接对表面结构的异常进行判断。在推理阶段,将待检测图像分割为补丁输入到检测网络中进行检测,并根据补丁位置来返回整张图片中异常的大致区域,在一组公开缺陷数据集上对所提出的方法进行了验证并与其他几种缺陷检测方法进行了对比,结果表明本方法仅依靠少量的异常数据就可以实现对带有纹理的工业产品的表面异常检测任务,并且相比其他异常检测方法有着更好的检测性能。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,包括以下步骤:
步骤S1:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;根据预设的补丁图像大小数据对物体表面图像数据进行补丁图像划分,生成物体表面补丁图像数据;
步骤S2:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型;根据图像特征解耦网络模型设计变分自编码器整体损失函数以及不变因子相识度损失函数;
其中,步骤S2包括:
步骤S21:基于变分自编码器构建图像特征解耦的孪生网络结构,以获得图像特征解耦网络模型,其中所述图像特征解耦网络模型包括第一全连接层以及第二全连接层;
步骤S22:将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中进行潜在空间映射,分别生成潜在空间图像不变因子以及潜在空间图像变化因子,其中,所述预设的补丁图像训练集化分为第一补丁图像数据以及第二补丁数据,所述将预设的补丁图像训练集传输至图像特征解耦网络模型的编码器中包括:将第一补丁图像数据传输至第一全连接层中,将第二补丁图像数据传输至第二全连接层中;
步骤S23:根据潜在空间图像不变因子以及潜在空间图像变化因子进行变分自编码器整体损失函数设计,生成变分自编码器整体损失函数;
步骤S24:根据潜在空间图像不变因子进行潜在空间图像不变因子的相识度损失函数设计,生成不变因子相识度损失函数;
步骤S3:基于变分自编码器整体损失函数以及不变因子相识度损失函数构建图像特征解耦网络模型的联合损失函数;根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型;
步骤S4:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;基于深度神经网络模型构建优化异常评分判别器模型;将物体表面图像不变因子映射至异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
2.根据权利要求1所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用监控设备进行物体表面图像数据采集,生成物体表面图像数据;
步骤S12:将物体表面图像数据进行灰度图像转换,生成物体表面灰度图像数据;
步骤S13:根据预设的补丁图像大小数据对物体表面灰度图像数据进行补丁图像划分,生成物体表面补丁图像数据。
3.根据权利要求1所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S23中所述变分自编码器整体损失函数如下所示:
式中,表示为变分自编码器整体损失函数,/>表示为qφ(z(c),z(s)∣x)的潜在分布的平均值,φ表示为编码器参数,qφ(·)函数表示为编码器的联合概率后验分布函数,θ表示为解码器参数,pθ(·)函数表示为解码器的联合概率后验分布函数,x表示为模型的输入图像参数,z(c)表示为潜在空间图像不变因子,z(s)表示为潜在空间图像可变因子,DKL(·)函数表示为概率分布的相对熵函数。
4.根据权利要求1所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S24中所述不变因子相识度损失函数如下所示:
式中,表示为不变因子相识度损失函数,Dsim(·)函数表示为相识度度量函数,qφ(·)函数表示为编码器的联合概率后验分布函数,z(c)表示为潜在空间图像不变因子,xl表示为第一补丁图像数据,xm表示为第二补丁图像数据;
其中,利用马氏距离的对比损失函数作为相识度度量函数,即:
式中,表示为不变因子相识度损失函数,β表示为用于区别所输入的第一补丁图像数据和第二补丁图像数据是否为相同的类别的二进制标签,Dm表示为qφ(z(c)∣xl)编码器的联合概率后验分布函数以及qφ(z(c)∣xm)编码器的联合概率后验分布函数的马氏距离,M表示为设定的特征边界数据;
其中,所述Dm表示为qφ(z(c)∣xl)编码器的联合概率后验分布函数以及qφ(z(c)∣xm)编码器的联合概率后验分布函数的马氏距离的具体表达式为:
式中,Dm表示为qφ(z(c)∣xl)编码器的联合概率后验分布函数以及qφ(z(c)∣xm)编码器的联合概率后验分布函数的马氏距离,d表示为潜在空间图像不变因子的维度数据,表示为第i个维度的潜在空间图像不变因子的均值数据,xl表示为第一补丁图像数据,xm表示为第二补丁图像数据,/>表示为第i个维度的潜在空间图像不变因子的标准差数据。
5.根据权利要求1所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用编码器整体损失函数以及不变因子相识度损失函数构建图像特征解耦网络模型的初始联合损失函数,并利用稀松损失函数对图像特征解耦网络模型的初始损失函数进行函数优化,以生成图像特征解耦网络模型的联合损失函数;
步骤S32:根据图像特征解耦网络模型的联合损失函数对图像特征解耦网络模型进行网络模型优化,以生成优化图像特征解耦网络模型。
6.根据权利要求5所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S31中所述稀松损失函数如下所示:
式中,表示为稀松损失函数,d表示为潜在空间图像不变因子的维度数据,/>表示为第i个的维度的潜在空间图像不变因子的参数平均激活程度,τ表示为常量数据。
7.根据权利要求5所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S31中所述图像特征解耦网络模型的联合损失函数如下所示:
式中,表示为图像特征解耦网络模型的联合损失函数,/>表示为第一全连接层的变分自编码器整体损失函数,/>表示为第二全连接层的变分自编码器整体损失函数,λ1表示为不变因子相识度损失函数的平衡调整系数,/>表示为不变因子相识度损失函数,λ2表示为稀松损失函数的平衡调整系数,/>表示为稀松损失函数。
8.根据权利要求1所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S4包括以下步骤:
步骤S41:将物体表面补丁图像数据传输至优化图像特征解耦网络模型进行不变因子预测,生成物体表面图像不变因子;
步骤S42:基于深度神经网络模型构建异常评分判别器模型;
步骤S43:基于预设的异常评分训练集以及异常评分判别器模型进行模型训练优化,生成优化异常评分判别器模型;
步骤S44:将物体表面图像不变因子映射至优化异常评分判别器模型中进行物体表面异常评分的评估处理,以生成物体表面异常评分数据;当物体表面异常评分数据大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面缺陷图像数据;当物体表面异常评分数据不大于预设的异常评分阈值时,则将物体表面异常评分数据对应的物体表面图像数据标记为物体表面常规图像数据。
9.根据权利要求8所述的适用于带有表面复杂纹理物体的缺陷检测方法,其特征在于,步骤S43包括以下步骤:
将预设的异常评分训练集传输至异常评分判别器模型进行模型训练优化,生成训练后的异常评分判别器模型;
利用交叉熵损失函数对训练后的异常评分判别器模型进行模型优化,生成优化异常评分判别器模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311630765.9A CN117649387B (zh) | 2023-11-30 | 2023-11-30 | 一种适用于带有表面复杂纹理物体的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311630765.9A CN117649387B (zh) | 2023-11-30 | 2023-11-30 | 一种适用于带有表面复杂纹理物体的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649387A CN117649387A (zh) | 2024-03-05 |
CN117649387B true CN117649387B (zh) | 2024-06-25 |
Family
ID=90049020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311630765.9A Active CN117649387B (zh) | 2023-11-30 | 2023-11-30 | 一种适用于带有表面复杂纹理物体的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649387B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872300A (zh) * | 2018-12-17 | 2019-06-11 | 南京工大数控科技有限公司 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017182B (zh) * | 2020-10-22 | 2021-01-19 | 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 |
CN112837295B (zh) * | 2021-02-01 | 2024-07-16 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
CN113822954B (zh) * | 2021-09-10 | 2024-04-02 | 西安交通大学 | 一种面向资源约束下人机协同场景的深度学习图像编码方法 |
CN113838041B (zh) * | 2021-09-29 | 2023-09-08 | 西安工程大学 | 一种基于自编码器的彩色纹理织物缺陷区域的检测方法 |
CN114862811A (zh) * | 2022-05-19 | 2022-08-05 | 湖南大学 | 一种基于变分自动编码器的缺陷检测方法 |
CN115510967A (zh) * | 2022-09-23 | 2022-12-23 | 哈尔滨工业大学 | 一种基于重构相似性的复杂装备不均衡异常检测方法 |
CN116994044A (zh) * | 2023-07-27 | 2023-11-03 | 哈尔滨理工大学 | 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法 |
CN117115095A (zh) * | 2023-08-08 | 2023-11-24 | 广东工业大学 | 一种实现复杂纹理瓷砖细小缺陷检测的方法及*** |
-
2023
- 2023-11-30 CN CN202311630765.9A patent/CN117649387B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872300A (zh) * | 2018-12-17 | 2019-06-11 | 南京工大数控科技有限公司 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
Non-Patent Citations (1)
Title |
---|
基于孪生变分自编码器的小样本图像分类方法;王德文等;智能***学报;20200714;第16卷(第02期);第254-262页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117649387A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
Shang et al. | Change detection in SAR images by artificial immune multi-objective clustering | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
CN112200121B (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN111340824A (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
CN114492768A (zh) | 一种基于小样本学习的孪生胶囊网络入侵检测方法 | |
Akhtar et al. | Optical character recognition (OCR) using partial least square (PLS) based feature reduction: an application to artificial intelligence for biometric identification | |
CN114360038B (zh) | 基于深度学习的弱监督rpa元素识别方法及*** | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理***及方法 | |
CN109241870B (zh) | 基于步态识别的煤矿井下人员身份识别方法 | |
CN116977679A (zh) | 一种基于图像识别的图像采集方法及*** | |
CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
Shuai et al. | Multi-source feature fusion and entropy feature lightweight neural network for constrained multi-state heterogeneous iris recognition | |
CN117155706A (zh) | 网络异常行为检测方法及其*** | |
CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
CN117649387B (zh) | 一种适用于带有表面复杂纹理物体的缺陷检测方法 | |
CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及*** | |
Mohammed et al. | A fuzzy system for detection and classification of textile defects to ensure the quality of fabric production. | |
CN113077002A (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
CN111696070A (zh) | 基于深度学习的多光谱图像融合电力物联网故障点检测方法 | |
CN116188880B (zh) | 基于遥感影像和模糊识别的耕地分类的方法及其*** | |
WO2022181303A1 (ja) | アンサンブル学習システムおよびアンサンブル学習プログラム | |
CN117853926B (zh) | 一种基于人工神经网络分类的建筑物检测方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |