【技术实现步骤摘要】
一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质
本公开涉及神经网络
，尤其涉及一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质。
技术介绍
随着国家工业化水平的不断发展，日常生产生活中用到的诸多物品、配件都由工业生产线制造。在工业生产过程中，生产环境的变化，机械误差，坯料的质量等种种因素有概率导致生产出的产品包含多种瑕疵(例如压伤、划伤、异物、异色、尺寸差异等)，由于这些缺陷会影响产品性能或降低用户体验，因此工业外观缺陷检测方法需要在出厂前将其检出。尽管在过去的十几年中，工业产品生产有了极大的进步且生产需求日益增加，但对相关工业产品的缺陷检测仍依赖人工完成，现在主流的人工目视检测不仅效率低下，而且检测标准主观因素大，严重制约工业制造的自动化进程，并且人工在线缺陷检测不但会使成本上升，也对人力资源提出了考验。近年来，基于机器视觉的自动化缺陷检测方法被广大研究者所关注，也越来越受到工厂的青睐，但现行方法大多数依赖于训练深度神经网络，其过程基本分为两步：通过工业相机采集一系列...
【技术保护点】
1.一种基于零样本学习的工业外观缺陷检测方法，其特征在于，所述基于零样本学习的工业外观缺陷检测方法包括：/n获取待检测样品的图片；/n将待检测样品进行类别与属性的标注；/n根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间，得到属性标签信息；/n根据属性标签信息确定待检测样品的缺陷类型；/n根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置。/n
【技术特征摘要】
1.一种基于零样本学习的工业外观缺陷检测方法，其特征在于，所述基于零样本学习的工业外观缺陷检测方法包括：
获取待检测样品的图片；
将待检测样品进行类别与属性的标注；
根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间，得到属性标签信息；
根据属性标签信息确定待检测样品的缺陷类型；
根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置。
2.根据权利要求1所述的基于零样本学习的工业外观缺陷检测方法，其特征在于，所述根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间，得到属性标签信息的步骤中的训练好的深度神经网络模型的训练方法包括：
建立具有缺陷的样品的缺陷样品图片数据库；
建立深度神经网络；
根据缺陷样品图片数据库中的图片训练所述深度神经网络和回归网络，所述深度神经网络的训练用以学习一种图片特征空间到属性空间的映射f，所述深度神经网络用于根据映射f推断缺陷类别；所述回归网络的训练用于预测缺陷的位置。
3.根据权利要求2所述的基于零样本学习的工业外观缺陷检测方法，其特征在于，所述根据缺陷样品图片数据库中的图片训练所述深度神经网络的步骤包括：
将缺陷样品图片数据库的样本及其对应属性标签信息输入至深度神经网络进行特征提取与分类回归得到缺陷的位置与属性置信度；
训练深度神经网络根据属性置信度推断缺陷类别以及训练回归网络预测缺陷发生位置；
将所得到的缺陷位置和缺陷的属性置信度与预定的标准值进行对比，根据比对结果调整深度神经网络中的参数权值，完成深度神经网络的训练。
4.根据权利要求1所述的基于零样本学习的工业外观缺陷检测方法，其特征在于，所述将待检测样品进行类别与属性的标注的步骤，包括：
建立属性标签库和缺陷种类标签库，所述属性标签库分别记为(A1,A2,…,AN)，所述缺陷种类标签记为(D1,D2,…,DM)；
将属性标签和缺陷种类标签融合为按照缺陷种类Di以(D11,D22,…,DMM)的线性组合的形式表达。
5.根据权利要求1～4任一项所述的基于零样本学习的工业外观缺陷检测方法，其特征在于，所述的神经网络包括5个依次级联的特征提取基本单元，每个特征提取单元包括依次连接的卷积层、局部响应归一化层、最大值池化层和平均值池化层。
6.根据权利要求5所述的基于零样本学习的工业外观缺陷检测方法，其特征在于，所述的卷积层利用卷积核在图像上滑动，对图像进行卷积操作，从而提取输入图像特征得到粗略的特征图；
所述的局部响应归一化层采用3像素*3像素的领域在卷...
【专利技术属性】
技术研发人员：令狐彬，胡炳彰，许鹏，周璠，张鲜顺，卞哲，汪少成，
申请(专利权)人：合肥中科迪宏自动化有限公司，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。