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。本专利技术实施例所述的缺陷检测方法，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。本专利技术实施例所述的缺陷检测方法，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。本专利技术实施例所述的缺陷检测方法，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)表示第一卷积核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。本专利技术实施例所述的缺陷检测方法，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：σ表示sigmoid函数，γ为relu激活函数对应的权重，W1为全连接层对应的权重，βc表示多维特征激活层的第c个通道的所述当前全局平均池化值αc对应的激活权重值；对当前最大值池化值进行一次非线性的全连接操作根据以下公式表示：τ表示Tanh激活函数，βh,w表示所述当前最大池化值αh,w对应的激活权重值；所述对特征图进行校准利用以下公式表示：Q(h,w,c)＝D(h,w)·βc+D(c)·βh,w，Q(h，w，c)表示第c个通道对应的因式分解卷积输出特征图第h行第w列的特征元素校准后对应的校准元素。本专利技术实施例所述的缺陷检测方法，每一点卷积层用于对各个通道校准后的因式分解卷积输出特征图进行点卷积操作；所述点卷积操作利用以下公式表示：表示卷积层的第c个通道对应的子特征增强图，Vc表示第c个通道对应的卷积核，C表示卷积层的通道总数，P表示利用点卷积将各个通道上的特征增强图进行特征融合后的特征增强图。本专利技术实施例提出一种缺陷检测装置，该装置包括：标准特征图获取模块，用于获取待检测图像的标准特征图；自适应特征增强模块，用于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；缺陷位置检测模块，用于根据第N特征增强图检测所述待检测图像的缺陷位置。本专利技术实施例提出一种缺陷检测模型构造方法，该方法包括：利用因式分解卷积层、多维特征激活层和点卷积层构建自适应特征增强层；利用多个自适应特征增强层构建所述缺陷检测模型；将训练图像输入至所述缺陷检测模型；利用转置卷积输出各个自适应特征增强层校准后的所述训练图像对应的可视化特征图；根据各个可视化特征图确定所述缺陷检测模型的自适应特征增强层的层数。本专利技术实施例涉及一种终端设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器上运行时执行本专利技术实施例所述的缺陷检测方法或本专利技术实施例所述的缺陷检测模型构造方法。本专利技术实施例涉及一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本专利技术实施例所述的缺陷检测方法或本专利技术实施例所述的缺陷检测模型构造方法。本专利技术公开的缺陷检测方法包括：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。附图说明为了更清楚地说明本专利技术的技术方案，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专利技术的某些实施例，因此不应被看作是对本专利技术保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。图1示出了本专利技术实施例提出的一种缺陷检测方法的流程示意图；图2示出了本专利技术实施例提出的另一种缺陷检测方法的流程示意图；图3示出了本专利技术实施例提出的一种缺陷检测方法的过程示意图；图4示出了本专利技术实施例提出的另一种缺陷检测模型构造方法的流程示意图；图5示出了本专利技术实施例提出的一种缺陷检测装置的结构示意图。主要元件符号：100-缺陷检测装置；110-标准特征图获取模块；120-自适应本文档来自技高网...

【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