一种基于图像重建的缺陷检测网络及检测方法技术

本发明专利技术属于人工智能和缺陷检测识别领域，公开了一种基于图像重建的缺陷检测网络及检测方法，图像编码器对带缺陷的图像处理后输出图像内容编码权值以及图像噪声编码权值，分别与图像内容字典和图像噪声字典进行计算，图像内容部分计算完成后得到与原图像尺寸相同的平滑图像，图像噪声部分计算完成后得到关于图像噪声的特征编码，将噪声特征编码输入图像噪声解码器得到与原图像相同尺寸的噪声图像，将平滑图像与噪声图像相加得到重建图像，对重建图像和原图像进行图像差分、阈值分割、连通域分析等输出缺陷的位置。本发明专利技术的有益效果：省去了复杂的调参工作，统一了每种缺陷的检测算法，能保持较高的检测精度和检测结果的一致性。性。性。

A defect detection network and method based on image reconstruction

【技术实现步骤摘要】
一种基于图像重建的缺陷检测网络及检测方法


[0001]本专利技术涉及人工智能和缺陷检测识别领域，尤其涉及一种基于图像重建的缺陷检测网络及检测方法。

技术介绍

[0002]在印刷品、布匹、薄膜的生产过程中，由于机械、基材、人工操作等因素，对产品会造成大量的缺陷，包括破损、褶皱、卷曲、擦伤、蹭脏、异物、错印、漏印、串色。为保证出厂产品的合格率，这些带有缺陷的产品，需要在生产过程中实现自动剔除。在实现自动剔废的过程中，高效、准确的缺陷检测算法是核心技术之一。目前的缺陷检测算法大致可以分为两种：传统检测方法和基于深度学习的目标检测或语义分割方法。
[0003]传统的缺陷检测方法的特点在于：针对不同的缺陷设计不同的检测算法或者设置不同的检测参数。缺点在于，人工在针对某一种缺陷设计算法时，参照的缺陷样本数量相对于实际的缺陷产品数量来说是极少的，这样就引入了样本偏置，设计的算法通常稳定性较差。其次，针对某几类缺陷，可能均采用同一种检测算法，但是需要设置不同的检测参数，这样就增加了系统配置的维护量。同时，需要人工经过长期的实地跟踪和调试，极大的增加了软件的操作难度。
[0004]深度学习是一种基于大数据的智能算法，通过长期、全面的数据收集，可以很好的解决样本偏置的问题，训练出来的模型具有较好稳定性和鲁棒性。在缺陷检测领域，主要通过目标检测和语义分割的方式实现缺陷的检出，这类方法属于监督式方法。首先需要收集大量的缺陷样本，然后进行样本标注；其次进行模型训练；最后将训练好的模型进行现场部署。但是在生产过程中，通常某些缺陷样本很难收集，极端情况下，每个月或者每年才能收集一两张，当这种缺陷出现时，基于监督式方法训练的模型就存在漏检的风险。其次，在正式训练模型之前，需要对收集的缺陷样本进行人工标注，而针对不同的品种，为了保证较高的缺陷识别率，往往需要重新进行缺陷样的收集和标注，这样不仅增大了人工的标注工作量，也极大的延长了项目的开发周期。
[0005]因此，针对现有检测算法稳定性低，对小样本缺陷存在漏检风险，需要大量人工标注等缺点，有必要提供一种基于图像重建的缺陷检测网络及检测方法，实现对缺陷的精准检测，达到较好的检测水平，并能减轻人工标注的工作量，缩短项目的开发周期，降低项目的运营成本。

技术实现思路

[0006]本专利技术公开了一种基于图像重建的缺陷检测网络及检测方法，其可以有效解决
技术介绍
中涉及的技术问题。
[0007]为实现上述目的，本专利技术的技术方案为：
[0008]一种基于图像重建的缺陷检测网络，用于产品的缺陷检测，包括图像重建部分和缺陷提取部分，所述图像重建部分包括图像编码器、图像内容编码字典、图像噪声编码字典
及图像噪声解码器；
[0009]所述图像编码器对产品图像x进行处理，得到图像内容编码权值Wc以及图像噪声编码权值Wn；
[0010]所述图像内容编码字典与Wc进行计算得到与所述产品图像x尺寸相同的平滑图像y
s
；
[0011]所述图像噪声编码字典与Wn进行计算得到关于图像噪声的特征编码v
n
；
[0012]所述图像噪声解码器对v
n
进行处理得到与所述产品图像x相同尺寸的噪声图像y
n
；
[0013]所述平滑图像y
s
与所述噪声图像y
n
相加得到重建图像y；
[0014]所述缺陷提取部分对所述重建图像y和所述产品图像x进行差分处理用于缺陷的检出。
[0015]作为本专利技术的一种优选改进：所述图像编码器的处理过程描述为：Wc，Wn＝fe(x；θe)
[0016]其中Wc的维度为n*1，Wn的维度为m*1，fe表示图像编码器网络模型，θe为图像编码器模型参数。
[0017]作为本专利技术的一种优选改进：所述平滑图像的计算过程描述为：
[0018][0019]其中，y
s
的维度为h*w*c，θ
dict_c
表示图像内容编码字典模型参数，维度为n*h*w*c。
[0020]作为本专利技术的一种优选改进：所述关于图像噪声的特征编码v
n
的计算过程描述为：
[0021][0022]其中，v
n
的维度为1*L，θ
dict_n
表示图像噪声编码字典模型参数，维度为m*L。
[0023]作为本专利技术的一种优选改进：所述图像噪声解码器的处理过程描述为：
[0024]y
n
＝f
d
(v
n
；θ
d
)
[0025]其中y
n
的维度为h*w*c，f
d
表示图像噪声解码器网络模型，θ
d
为图像噪声解码器模型参数。
[0026]作为本专利技术的一种优选改进：所述缺陷提取部分包括图像差分和阈值分割；
[0027]所述图像差分描述为：d＝|x
‑
y|，其中d为差分图像，维度为h*w*c；
[0028]所述阈值分割包括将差分图像d的各通道相加得到单通道图像d1，以及对d1进行阈值分割得到缺陷残点图像d2；
[0029][0030]其中d(k)表示差分图像d的第k个通道图像；
[0031][0032]其中(u，v)表示图像中的像素位置索引，t为预设阈值，有缺陷的位置像素值为1，没有缺陷的位置像素值为0。
[0033]作为本专利技术的一种优选改进：所述缺陷提取部分还包括连通域分析，对缺陷残点图像d2进行连通域分析，求解出每个连通域的外接矩形框，并输出每个缺陷的位置信息。
[0034]一种基于图像重建的缺陷检测网络的检测方法，具体包括以下步骤：
[0035]S1：对产品图像x进行数据收集；
[0036]S2：将收集的产品图像x输入缺陷检测网络中进行模型训练，对图像重建部分的模型参数进行优化；
[0037]S3：将S2中优化后的缺陷检测网络部署在图像处理工作站中，进行对产品图像x的缺陷检测；
[0038]S4：分析缺陷检测结果，对缺陷提取部分的参数进行优化；
[0039]S5：优化完毕，通过优化后的缺陷检测网络对产品进行缺陷检测。
[0040]作为本专利技术的一种优选改进：S2描述为：
[0041]y＝f(x；θ)
[0042]其中f表示建立的网络模型，θ表示模型参数，模型参数θ包括了图像编码器模型参数θe，图像内容编码字典模型参数θ
dict_c
，图像噪声编码字典模型参数θ
dict_n
，以及噪声解码器模型参数θd，同理，网络模型f表示包括图像编码器、图像内容编码字典、图像噪声编码字典以及图像噪声解码器的组合模型；
[0043]训练的过程看作是求解最优化问题的迭代过程，用以下公式表示：
[0044][0045]通过上述过程学习最优参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像重建的缺陷检测网络，用于产品的缺陷检测，其特征在于：包括图像重建部分和缺陷提取部分，所述图像重建部分包括图像编码器、图像内容编码字典、图像噪声编码字典及图像噪声解码器；所述图像编码器对产品图像x进行处理，得到图像内容编码权值Wc以及图像噪声编码权值Wn；所述图像内容编码字典与图像内容编码权值Wc进行计算得到与所述产品图像x尺寸相同的平滑图像y
s
；所述图像噪声编码字典与图像噪声编码权值Wn进行计算得到关于图像噪声的特征编码v
n
；所述图像噪声解码器对特征编码v
n
进行处理得到与所述产品图像x相同尺寸的噪声图像y
n
；所述平滑图像y
s
与所述噪声图像y
n
相加得到重建图像y；所述缺陷提取部分对所述重建图像y和所述产品图像x进行差分处理用于缺陷的检出。2.根据权利要求1所述的一种基于图像重建的缺陷检测网络，其特征在于：所述图像编码器的处理过程描述为：Wc，Wn＝fe(x；θe)其中Wc的维度为n*1，Wn的维度为m*1，fe表示图像编码器网络模型，θe为图像编码器模型参数。3.根据权利要求1所述的一种基于图像重建的缺陷检测网络，其特征在于：所述平滑图像的计算过程描述为：其中，y
s
的维度为h*w*c，θ
dict_c
表示图像内容编码字典模型参数，维度为n*h*w*c。4.根据权利要求1所述的一种基于图像重建的缺陷检测网络，其特征在于：所述关于图像噪声的特征编码v
n
的计算过程描述为：其中，v
n
的维度为1*L，θ
dict_n
表示图像噪声编码字典模型参数，维度为m*L。5.根据权利要求1所述的一种基于图像重建的缺陷检测网络，其特征在于：所述图像噪声解码器的处理过程描述为：y
n
＝f
d
(v
n
；θ
d
)其中y
n
的维度为h*w*c，f
d
表示图像噪声解码器网络模型，θ
d
为图像噪声解码器模型参数。6.根据权利要求1所述的一种基于图像重建的缺陷检测网络，其特征在于：所述缺陷提取部分包括图像差分和阈值分割；所述图像差分描述为：d＝|x
‑
y|，其中d为差...

【专利技术属性】
技术研发人员：付茂栗，夏小东，张洋，张绍兵，王斌，赵伟君，李腾蛟，祝文培，魏麟，王觅，
申请(专利权)人：深圳市中钞科信金融科技有限公司，
类型：发明
国别省市：