基于深度学习的无监督工业品缺陷检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的无监督工业品缺陷检测方法及装置、计算机可读存储介质，该方法包括以下步骤：使用训练样本对第一自编码器进行训练，并在训练过程中得到训练样本的隐含表达；对训练样本的隐含表达进行降维处理，得到正常样本的隐含表达；使用正常样本的隐含表达对第二自编码器中的记忆模块进行初始化，并使用训练样本对第二自编码器进行训练；将测试样本输入至已训练的第二自编码器，得到重建后的样本；使用测试样本及重建后的样本进行计算得到缺陷掩模，并根据缺陷掩模判断所述测试样本是否存在缺陷。本发明专利技术实现了在仅使用无缺陷的图像样本对模型进行训练的情况下对缺陷的有效检测，提升了缺陷检测的效果。提升了缺陷检测的效果。提升了缺陷检测的效果。

【技术实现步骤摘要】
基于深度学习的无监督工业品缺陷检测方法及装置


[0001]本申请涉及缺陷检测
，尤其涉及一种基于深度学习的无监督工业品缺陷检测方法及装置、计算机可读存储介质。

技术介绍

[0002]在工业品的生产过程中，由于工艺水平的限制和环境因素的影响，不可避免地会产生有缺陷的产品。这部分产品如果不能尽早地在产生缺陷的源头检测出来，就会流入后续的生产步骤中，给后续的检测增加难度，同时提高修复的成本。更为严重的是，如果这些产品不小心流入市场进行销售，就会给产品形象带来极大的影响。为了将这些有缺陷的产品检测出来，传统技术采用了在生产线上部署AOI(Automatic Optic Inspection,自动光学检测)设备进行自动缺陷检测的方法。然而，AOI设备由于自身系统设计的限制，常常会出现大量误报(即将没有缺陷的产品判断为有缺陷的产品)。因此还需要技术工人进行复检，大大降低了检测的效率。
[0003]近年来，随着深度学习的发展，卷积神经网络作为一种可以自动抽取图像特征的端到端模型得到了越来越多的研究和应用。而为了检测工业品图像是否存在缺陷，传统的基于深度学习的缺陷检测方法通常采用有监督的模型(即收集大量有缺陷和无缺陷的图像样本进行训练)。然而在实际应用中，由于缺陷样本获取代价高、缺陷类型不断变化等原因，通常很难收集到足够多有缺陷的图像样本，而无缺陷的图像样本又占据大多数。这会导致模型训练不充分或者在检测时无法应对训练集中未曾出现过的缺陷类型，极大削弱了模型的缺陷检测效果。

技术实现思路

[0004]本申请实施例通过提供一种基于深度学习的无监督工业品缺陷检测方法及装置、计算机可读存储介质，解决了传统技术因难以获取有缺陷图像样本而导致缺陷检测效果较差的问题，实现了在仅使用无缺陷的图像样本对模型进行训练的情况下对缺陷的有效检测，提升了缺陷检测的效果。
[0005]本申请实施例提供了一种基于深度学习的无监督工业品缺陷检测方法，所述方法包括：
[0006]使用训练样本对第一自编码器进行训练，并在训练过程中得到所述训练样本的隐含表达；其中，所述训练样本为无缺陷图像；
[0007]对所述训练样本的隐含表达进行降维处理，得到正常样本的隐含表达；
[0008]使用所述正常样本的隐含表达对第二自编码器中的记忆模块进行初始化，并使用所述训练样本对所述第二自编码器进行训练；
[0009]将测试样本输入至已训练的第二自编码器，得到重建后的样本；
[0010]使用所述测试样本及重建后的样本进行计算得到缺陷掩模，并根据所述缺陷掩模判断所述测试样本是否存在缺陷。
[0011]在一实施例中，所述方法还包括：
[0012]获取预设数量的无缺陷图像；
[0013]将所述无缺陷图像缩放至相同尺寸，并对其进行归一化处理，得到训练样本。
[0014]在一实施例中，所述使用训练样本对第一自编码器进行训练，并在训练过程中得到所述训练样本的隐含表达的步骤包括：
[0015]将训练样本逐个输入至第一自编码器，以对所述第一自编码器进行训练；
[0016]在所述第一自编码器训练完成后，获取所述训练样本通过第一自编码器的编码器模块输出的特征向量，并将所述特征向量作为所述训练样本的隐含表达。
[0017]在一实施例中，所述对所述训练样本的隐含表达进行降维处理，得到正常样本的隐含表达的步骤包括：
[0018]使用主成分分析对所述训练样本的隐含表达进行降维处理，得到降维后的隐含表达，并将其作为正常样本的隐含表达。
[0019]在一实施例中，所述将测试样本输入至已训练的第二自编码器，得到重建后的样本的步骤包括：
[0020]将测试样本输入至已训练的第二自编码器，得到重建后的图像，并计算所述测试样本与重建后的图像之间的均方误差；
[0021]若所述测试样本与重建后的图像之间的均方误差小于或等于预设阈值，则将所述重建后的图像作为重建后的样本。
[0022]在一实施例中，所述将测试样本输入至已训练的第二自编码器，得到重建后的样本的步骤，还包括：
[0023]若所述测试样本与重建后的图像之间的均方误差大于预设阈值，则将所述重建后的图像重新输入已训练的第二自编码器。
[0024]在一实施例中，所述使用所述测试样本及重建后的样本进行计算得到缺陷掩模，并根据所述缺陷掩模判断所述测试样本是否存在缺陷的步骤包括：
[0025]使用所述测试样本及重建后的样本计算结构相似性加权的像素间误差，并将所述像素间误差作为缺陷掩模；
[0026]将所述缺陷掩模的所有像素值之和作为缺陷指数，并根据所述缺陷指数判断所述测试样本是否存在缺陷。
[0027]在一实施例中，所述根据所述缺陷指数判断所述测试样本是否存在缺陷的步骤包括：
[0028]若所述缺陷指数大于预设阈值，则判断所述测试样本存在缺陷；
[0029]若所述缺陷指数小于或等于预设阈值，则判断所述测试样本不存在缺陷。
[0030]本申请实施例还提供了一种装置，所述装置包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序被所述处理器执行时实现如上述的基于深度学习的无监督工业品缺陷检测方法的步骤。
[0031]本申请实施例还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缺陷检测程序，所述缺陷检测程序被处理器执行时实现如上述的基于深度学习的无监督工业品缺陷检测方法的步骤。
[0032]本申请实施例中提供的一种基于深度学习的无监督工业品缺陷检测方法及装置、
计算机可读存储介质的技术方案，至少具有如下技术效果：
[0033]由于采用了使用训练样本对第一自编码器进行训练，并在训练过程中得到所述训练样本的隐含表达；其中，所述训练样本为无缺陷图像；对所述训练样本的隐含表达进行降维处理，得到正常样本的隐含表达；使用所述正常样本的隐含表达对第二自编码器中的记忆模块进行初始化，并使用所述训练样本对所述第二自编码器进行训练；将测试样本输入至已训练的第二自编码器，得到重建后的样本；使用所述测试样本及重建后的样本进行计算得到缺陷掩模，并根据所述缺陷掩模判断所述测试样本是否存在缺陷的技术手段。所以，有效解决了传统技术因难以获取有缺陷图像样本而导致缺陷检测效果较差的问题，实现了在仅使用无缺陷的图像样本对模型进行训练的情况下对缺陷的有效检测，提升了缺陷检测的效果。
附图说明
[0034]图1为本申请实施例涉及的装置的结构示意图；
[0035]图2为本申请基于深度学习的无监督工业品缺陷检测方法的第一实施例的流程示意图；
[0036]图3为本申请基于深度学习的无监督工业品缺陷检测方法的第二实施例的流程示意图；
[0037]图4为本申请基于深度学习的无监督工业品缺陷检测方法的第三实施例的流程示意图。
具体实施方式
[0038]本申请为了解决传统技术因难以获取有缺陷图像样本而导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的无监督工业品缺陷检测方法，其特征在于，所述方法包括：使用训练样本对第一自编码器进行训练，并在训练过程中得到所述训练样本的隐含表达；其中，所述训练样本为无缺陷图像；对所述训练样本的隐含表达进行降维处理，得到正常样本的隐含表达；使用所述正常样本的隐含表达对第二自编码器中的记忆模块进行初始化，并使用所述训练样本对所述第二自编码器进行训练；将测试样本输入至已训练的第二自编码器，得到重建后的样本；使用所述测试样本及重建后的样本进行计算得到缺陷掩模，并根据所述缺陷掩模判断所述测试样本是否存在缺陷。2.如权利要求1所述的基于深度学习的无监督工业品缺陷检测方法，其特征在于，所述方法还包括：获取预设数量的无缺陷图像；将所述无缺陷图像缩放至相同尺寸，并对其进行归一化处理，得到训练样本。3.如权利要求1所述的基于深度学习的无监督工业品缺陷检测方法，其特征在于，所述使用训练样本对第一自编码器进行训练，并在训练过程中得到所述训练样本的隐含表达的步骤包括：将训练样本逐个输入至第一自编码器，以对所述第一自编码器进行训练；在所述第一自编码器训练完成后，获取所述训练样本通过第一自编码器的编码器模块输出的特征向量，并将所述特征向量作为所述训练样本的隐含表达。4.如权利要求1所述的基于深度学习的无监督工业品缺陷检测方法，其特征在于，所述对所述训练样本的隐含表达进行降维处理，得到正常样本的隐含表达的步骤包括：使用主成分分析对所述训练样本的隐含表达进行降维处理，得到降维后的隐含表达，并将其作为正常样本的隐含表达。5.如权利要求1所述的基于深度学习的无监督工业品缺陷检测方法，其特征在于，所述将测试样本输入至已训练的第二自编码器，得到重建后的样本的步骤包括：将测试样本输入至已训练的第二自编码...

【专利技术属性】
技术研发人员：王汉凌，段经璞，汪漪，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：