一种基于像素级深度网络特征匹配的非标件缺陷检测方法技术

本发明专利技术涉及非标件缺陷检测方法领域，尤其涉及一种基于像素级深度网络特征匹配的非标件缺陷检测方法。该方法基于深度特征的点匹配与对齐算法以及基于深度特征的像素比对算法。点匹配与对齐算法的网络结构包括图像编码器、点特征提取器、像素特征提取器和像素对比网络。本发明专利技术提出了一种新型的深度学习缺陷检测方法能够有效的在较小样本的基础上，做出高精度的像素级预测。由于采用的是像素级比对策略，而不是像素级预测或异常检测，深度学习可以更容易将在原来类似数据集学习得到的知识迁移至当前数据，从而在很大程度上避免深度学习中经常遇到的过拟合问题。习中经常遇到的过拟合问题。习中经常遇到的过拟合问题。

【技术实现步骤摘要】
一种基于像素级深度网络特征匹配的非标件缺陷检测方法


[0001]本专利技术涉及非标件缺陷检测方法领域，尤其涉及一种基于像素级深度网络特征匹配的非标件缺陷检测方法。

技术介绍

[0002]深度学习，作为机器学习理论的集大成者，已经在人们的生产生活中扮演着越来越重要的角色。在工业缺陷检测领域，深度学习的应用也越来越广泛。与传统机器视觉方法相比，深度学习的缺陷检测有着精度高，鲁棒性强，调试简单等优点。在可以预见的将来，基于深度学习的工业缺陷检测方法将在工业生产领域扮演越来越重要的角色。
[0003]现有的缺陷检测方案分为传统方式和新兴的深度学习方式两种。传统方式主要靠工程师观察缺陷特征，手动选择检测图像特征，手动调节检测算法阈值，已达到自动检测缺陷的目的。该方法依赖工程师的操作，对工程师的经验要求很高，而且较难的任务往往需要工程师反复调试，耗时长，成本较高。深度学习的缺陷检测方式需要手动标定缺陷种类及位置(或像素属性)，使用标记好的数据训练预先设计好的深度学习模型。在数据采集和深度网络训练都正常的情况下，所得到的检测算法可以较好的识别元器件上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于像素级深度网络特征匹配的非标件缺陷检测方法，其特征在于；该方法基于深度特征的点匹配与对齐算法以及基于深度特征的像素比对算法；点匹配与对齐算法的网络结构包括图像编码器、点特征提取器以及图像对齐算法；图像编码器用于提取基本特征；点特征提取器用于在基本特征基础上提取点匹配特征；图像对齐算法在点匹配的基础上计算出测试图片与标准图片之间的转换矩阵并将测试图像“扭转”至与参考图像对齐的姿态；像素比对算法的网络结构包括图像编码器、像素特征提取器以及像素比对网络；图像编码器用于提取基本特征；像素特征提取器用于在基本特征基础上提取像素比对特征；像素比对网络用于将已经对齐的两张图片(一张为测试图片另一张为标准图片)的像素特征进行比对，进而预测出像素级缺陷。2.根据权利要求1所述的一种基于像素级深度网络特征匹配的非标件缺陷检测方法，其特征在于，基本框架为：将测试图片和标准图片输入深度学习点匹配网络...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：上海阅凡自动化科技有限公司，
类型：发明
国别省市：