缺陷检测方法、装置、模型构造方法和计算机设备制造方法及图纸

本发明专利技术实施例公开了缺陷检测方法、装置、模型构造方法和计算机设备，该方法包括：获取待检测图像的标准特征图；利用预先训练达标的缺陷检测模型的第i个自适应特征增强层对第i‑1特征增强图进行自适应特征增强以获取第i特征增强图，在i＝1时，第0特征增强图为所述标准特征图，1≤i≤N；根据第N特征增强图检测所述待检测图像的真实缺陷位置。本发明专利技术利用新的、轻量级的缺陷检测模型可以在硬件资源和计算资源有限的嵌入式系统上实现对产品表面的缺陷检测，有效降低硬件资源和计算资源的使用成本。

【技术实现步骤摘要】
缺陷检测方法、装置、模型构造方法和计算机设备
本专利技术涉及图像处理领域，尤其涉及一种缺陷检测方法、装置、模型构造方法和计算机设备。
技术介绍
各类物品或产品在生产过程中很容易出现各类缺陷，这些缺陷可能会影响产品的使用寿命和可靠度，因此，表面缺陷检测是品质管控的关键环节。基于机器视觉的表面缺陷检测方法具有效率高、准确性高、实时性高等优点，在缺陷检测领域得到广泛的研究和应用。但是，由于缺陷类型繁多，特征难以定义，且只发生在生产过程中，使得基于计算机视觉的物品或产品表面缺陷检测方法遇到困难。并且，流行的卷积神经网络模型为了提高检测精度，大都具有复杂的网络结构和大量的模型参数，这使得卷积神经模型难以部署在硬件资源和计算资源有限的嵌入式系统上，也无法实现对物品或产品表面缺陷的有效检测。
技术实现思路
鉴于上述问题，本专利技术提出一种缺陷检测方法、装置、模型构造方法和计算机设备。本专利技术实施例提出一种缺陷检测方法，其该方法包括：获取待检测图像的标准特征图；利用预先训练达标的缺陷检测模型的第i个自适应特征增强层本文档来自技高网...

【技术保护点】
1.一种缺陷检测方法，其特征在于，该方法包括：/n获取待检测图像的标准特征图；/n利用预先训练达标的缺陷检测模型的第i个自适应特征增强层对第i-1特征增强图进行自适应特征增强以获取第i特征增强图，在i＝1时，第0特征增强图为所述标准特征图，1≤i≤N；/n根据第N特征增强图检测所述待检测图像的缺陷位置。/n

【技术特征摘要】
1.一种缺陷检测方法，其特征在于，该方法包括：
获取待检测图像的标准特征图；
利用预先训练达标的缺陷检测模型的第i个自适应特征增强层对第i-1特征增强图进行自适应特征增强以获取第i特征增强图，在i＝1时，第0特征增强图为所述标准特征图，1≤i≤N；
根据第N特征增强图检测所述待检测图像的缺陷位置。


2.根据权利要求1所述的缺陷检测方法，其特征在于，所述根据第N特征增强图检测所述待检测图像的缺陷位置，包括：
利用所述缺陷检测模型的特征融合层对所述第N特征增强图和第M特征增强图进行特征融合以获取融合特征图，M＜N；
利用所述缺陷检测模型的第一输出层检测所述第N特征增强图中的预测缺陷位置；和/或，利用所述缺陷检测模型的第二输出层检测所述融合特征图中预测缺陷位置；
确定各个预测缺陷位置对应的置信度。


3.根据权利要求1所述的缺陷检测方法，其特征在于，所述自适应特征增强层包括：因式分解卷积层、多维特征激活层和点卷积层。


4.根据权利要求3所述的缺陷检测方法，其特征在于，每一因式分解卷积层用于对当前校准的特征图进行因式分解卷积操作，并将经过所述因式分解卷积操作的特征图分别沿平面方向进行全局平均池化操作和沿通道方向进行最大值池化操作；
所述因式分解卷积操作利用以下公式表示：

V(h，w)表示卷积核V的中心落在所述当前校准的特征图的第h行第w列，XH×W表示H×W维的当前校准的特征图，DH×W表示H×W维的当前校准的特征图对应的H×W维的因式分解卷积输出特征图；
所述全局平均池化操作利用以下公式表示：

D(h，w)表示H×W×1维的因式分解卷积输出特征图的第h行第w列的特征元素，αc表示因式分解卷积层的第c个通道的H×W×1维的因式分解卷积输出特征图的全局平均池化值；
所述最大值池化操作利用以下公式表示：
αh,w＝Max(D(c))，D(c)表示第c个通道对应的因式分解卷积层所有特征图上在同一位置上的像素点灰度值，αh,w表示因式分解卷积输出特征图的第h行第w列的特征元素在所有C个通道上的最大值池化值。


5.根据权利要求4所述的缺陷检测方法，其特征在于，每一多维特征激活层用于分别对当前全局平均池化值和当前最大值池化值进行一次非线性的全连接操作，并利用各个非线性的全连接操作的输出结果对特征图进行校准；
对当前全局平均池化值进行一次非线性的全连接操作根据以下公式表示...

【专利技术属性】
技术研发人员：何良雨，崔健，刘彤，
申请(专利权)人：锋睿领创珠海科技有限公司，
类型：发明
国别省市：广东;44