本发明专利技术提供了一种工业缺陷检测方法和装置，其中，所述方法包括以下步骤：构建工业缺陷检测模型；获取训练数据集和验证数据集，其中，训练数据集和验证数据集均包括工业良品数据和工业缺陷数据；根据训练数据集迭代训练工业缺陷检测模型；根据验证数据集在迭代训练后的工业缺陷检测模型中筛选出最终工业缺陷检测模型；根据最终工业缺陷检测模型进行工业缺陷检测。本发明专利技术能够通过较少量的良品图片与缺陷图片学习如何通过一张图推断出待检测工件的工件特征，从而判断该待检测工件对应的图片是否有真实缺陷特征，此外，在拍摄条件有变化或良品的生产有波动等情况下仍具有准确的缺陷检测性能，从而具有较好的适应性。从而具有较好的适应性。从而具有较好的适应性。
【技术实现步骤摘要】
工业缺陷检测方法和装置
[0001]本专利技术涉及工业缺陷检测
，具体涉及一种工业缺陷检测方法和一种工业缺陷检测装置。
技术介绍
[0002]目前基于深度学习的工业缺陷检测技术主要为两个方向，其一是基于缺陷数据的目标检测算法，其二是基于良品数据的异常检测算法。其中，基于缺陷数据的目标检测算法主要存在两方面的问题，一方面是缺陷数据量少，另一方面是缺陷形态往往没有固定的形态，缺陷的产生原因多种多样，导致缺陷形态也是多种多样，因此产线收集的缺陷数据难以涵盖全部的缺陷特征形态，因此，基于缺陷数据训练出来的模型质量通常由缺陷数据的数量决定，倘若缺陷数据的数量较少，往往很难得到良好的检测模型；此外，基于良品数据的异常检测算法均基于一个假设，即所有的良品都服从同一个特征分布，因此，当良品特征与已收集的良品数据有差异时，往往会导致过杀，影响检测准确性。
技术实现思路
[0003]本专利技术为解决上述技术问题，提供了一种工业缺陷检测方法，能够通过较少量的良品图片与缺陷图片学习如何通过一张图推断出待检测工件的工件特征，从而判断该待检测工件对应的图片是否有真实缺陷特征，此外，在拍摄条件有变化或良品的生产有波动等情况下仍具有准确的缺陷检测性能，从而具有较好的适应性。
[0004]本专利技术采用的技术方案如下：一种工业缺陷检测方法，包括以下步骤：构建工业缺陷检测模型；获取训练数据集和验证数据集，其中，所述训练数据集和所述验证数据集均包括工业良品数据和工业缺陷数据；根据所述训练数据集迭代训练所述工业缺陷检测模型；根据所述验证数据集在迭代训练后的所述工业缺陷检测模型中筛选出最终工业缺陷检测模型；根据所述最终工业缺陷检测模型进行工业缺陷检测。
[0005]根据本专利技术的一个实施例，所述工业缺陷检测模型包括：特征提取模块，所述特征提取模块用于提取输入工业数据的混合特征；特征分解模块，所述特征分解模块与所述特征提取模块相连，所述特征分解模块用于将所述混合特征分解为工件特征部分和缺陷特征部分；分类模块，所述分类模块与所述特征分解模块相连，所述分类模块用于判断所述缺陷特征部分是否存在真实缺陷特征；判别模块，所述判别模块与所述特征分解模块相连，所述判别模块用于约束所述工件特征部分为良品。
[0006]根据本专利技术的一个实施例，所述特征分解模块为深度学习中的注意力机制模块。
[0007]根据本专利技术的一个实施例，所述根据所述训练数据集迭代训练所述工业缺陷检测模型，包括以下步骤：将所述训练数据集输入所述特征提取模块以提取所述训练数据集的混合特征；根据所述特征提取模块提取的混合特征训练所述判别模块约束良品；固定训练后的所述特征提取模块和所述判别模块的网络参数；将所述训练数据集输入固定后的所述
特征提取模块以提取所述训练数据集的混合特征；将固定后的所述特征提取模块提取的混合特征输入所述特征分解模块以得到相应的工件特征部分和缺陷特征部分；根据所述相应的缺陷特征部分训练所述分类模块判断真实缺陷特征。
[0008]根据本专利技术的一个实施例，采用如下第一目标函数训练所述判别模块：其中，表示所述特征提取模块，表示所述判别模块，表示所述特征提取模块的网络参数，表示所述判别模块的网络参数，表示所述训练数据集中的第i个训练数据，n表示所述训练数据集中训练数据量，表示所述训练数据集中的第i个训练数据的标注。
[0009]根据本专利技术的一个实施例，采用如下第二目标函数训练所述分类模块：其中，表示所述特征分解模块的网络参数，表示所述分类模块的网络参数，表示所述判别模块，表示所述分类模块，表示所述相应的缺陷特征部分，表示所述相应的工件特征部分，p(*)表示概率分布。
[0010]根据本专利技术的一个实施例，所述根据所述验证数据集在迭代训练后的所述工业缺陷检测模型中筛选出最终工业缺陷检测模型，包括以下步骤：根据所述验证数据集计算每一个迭代训练后的所述分类模块的判断结果的AUC值；根据所述AUC值在迭代训练后的所述工业缺陷检测模型中筛选出最终工业缺陷检测模型。
[0011]一种工业缺陷检测装置，包括：建模模块，所述建模模块用于构建工业缺陷检测模型；获取模块，所述获取模块用于获取训练数据集和验证数据集，其中，所述训练数据集和所述验证数据集均包括工业良品数据和工业缺陷数据；训练模块，所述训练模块用于根据所述训练数据集迭代训练所述工业缺陷检测模型；验证模块，所述验证模块用于根据所述验证数据集在迭代训练后的所述工业缺陷检测模型中筛选出最终工业缺陷检测模型；检测模块，所述检测模块用于根据所述最终工业缺陷检测模型进行工业缺陷检测，所述工业缺陷检测模型包括：特征提取模块，所述特征提取模块用于提取输入工业数据的混合特征；特征分解模块，所述特征分解模块与所述特征提取模块相连，所述特征分解模块用于将所述混合特征分解为工件特征部分和缺陷特征部分；分类模块，所述分类模块与所述特征分解模块相连，所述分类模块用于判断所述缺陷特征部分是否存在真实缺陷特征；判别模块，所述判别模块与所述特征分解模块相连，所述判别模块用于约束所述工件特征部分为良品。
[0012]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述实施例所述的工业缺陷检测方
法。
[0013]一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所述的工业缺陷检测方法。
[0014]本专利技术的有益效果：本专利技术能够将待检测工件将混合了工件特征部分与缺陷特征部分的混合特征进行分离，并进一步判断缺陷特征部分是否存在真实缺陷特征，从而检测对应待检测工件是否为良品，由此，能够通过较少量的良品图片与缺陷图片学习如何通过一张图推断出待检测工件的工件特征，从而判断该待检测工件对应的图片是否有真实缺陷特征，并且较于基于良品的异常检测算法而言，本专利技术并不假设所有的良品服从同样的特征分布，因此在拍摄条件有变化或良品的生产有波动等情况下仍具有准确的缺陷检测性能，从而能够具有较好的适应性。
附图说明
[0015]图1为本专利技术实施例的工业缺陷检测方法的流程图；图2为本专利技术一个实施例的工业缺陷检测模型的结构示意图；图3为本专利技术实施例的工业缺陷检测装置的方框示意图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]图1为本专利技术实施例的工业缺陷检测方法的流程图。
[0018]如图1所示，本专利技术实施例的工业缺陷检测方法，包括以下步骤：S1，构建工业缺陷检测模型。
[0019]具体地，如图2所示，工业缺陷检测模型可包括特征提取模块01、特征分解模块02、分类模块03和判别模块04。其中，特征提取模块01可用于提取输入工业数据的混合本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种工业缺陷检测方法，其特征在于，包括以下步骤：构建工业缺陷检测模型；获取训练数据集和验证数据集，其中，所述训练数据集和所述验证数据集均包括工业良品数据和工业缺陷数据；根据所述训练数据集迭代训练所述工业缺陷检测模型；根据所述验证数据集在迭代训练后的所述工业缺陷检测模型中筛选出最终工业缺陷检测模型；根据所述最终工业缺陷检测模型进行工业缺陷检测，所述工业缺陷检测模型包括：特征提取模块，所述特征提取模块用于提取输入工业数据的混合特征；特征分解模块，所述特征分解模块与所述特征提取模块相连，所述特征分解模块用于将所述混合特征分解为工件特征部分和缺陷特征部分；分类模块，所述分类模块与所述特征分解模块相连，所述分类模块用于判断所述缺陷特征部分是否存在真实缺陷特征；判别模块，所述判别模块与所述特征分解模块相连，所述判别模块用于约束所述工件特征部分为良品。2.根据权利要求1所述的工业缺陷检测方法，其特征在于，所述特征分解模块为深度学习中的注意力机制模块。3.根据权利要求1所述的工业缺陷检测方法，其特征在于，所述根据所述训练数据集迭代训练所述工业缺陷检测模型，包括以下步骤：将所述训练数据集输入所述特征提取模块以提取所述训练数据集的混合特征；根据所述特征提取模块提取的混合特征训练所述判别模块约束良品；固定训练后的所述特征提取模块和所述判别模块的网络参数；将所述训练数据集输入固定后的所述特征提取模块以提取所述训练数据集的混合特征；将固定后的所述特征提取模块提取的混合特征输入所述特征分解模块以得到相应的工件特征部分和缺陷特征部分；根据所述相应的缺陷特征部分训练所述分类模块判断真实缺陷特征。4.根据权利要求3所述的工业缺陷检测方法，其特征在于，采用如下第一目标函数训练所述判别模块：其中，表示所述特征提取模块，表示所述判别模块，表示所述特征提取模块的网络参数，表示所述判别模块的网络参数，表示所述训练数据集中的第i个训练数据，n表示所述训练数据集中训练数据量，表示所述训练数据集中的第i个训练数据的标注。5.根据权利要求4所述的工业缺陷检测方法，其特征在于，采用如下第二目标函数训练所...
【专利技术属性】
技术研发人员：杨企茂，赵何，张志琦，
申请(专利权)人：江苏智云天工科技有限公司，
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。