【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 ...
【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:
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。