工业缺陷检测方法、装置及电子设备、存储介质制造方法及图纸

本发明专利技术公开了一种工业缺陷检测方法、装置及电子设备、存储介质，涉及图像处理技术领域。所述方法包括：获取待测图像样本，并对待测图像样本进行预处理；利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，以根据异常分数图进行缺陷检测。由此，以减少工业缺陷检测的检测时间，提高工业缺陷检测的检测效率，且在不需要构建正样本特征库的条件下实现工业缺陷检测，以节省存储空间。以节省存储空间。以节省存储空间。

【技术实现步骤摘要】
工业缺陷检测方法、装置及电子设备、存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种工业缺陷检测方法、装置及电子设备、存储介质。

技术介绍

[0002]工业缺陷检测是图像处理
的一个重要应用方向，工业缺陷检测是指在工业应用场景中，对可能出现缺陷的产品进行检测并对产品进行异常判别，从而来区分产品的优劣性。目前，工业缺陷检测的方式主要分为基于目标检测的有监督方法和无监督异常检测方法。
[0003]而在相关的无监督异常检测方法中，大多在使用的过程中均需要利用非参数方法构建正样本特征库，再通过计算特征之间的距离或通过聚类方法来对分布进行建模。利用上述方式进行检测时，构建正样本特征库需要提供额外的存储空间；同时，通过计算距离或聚类方法进行建模需要消耗大量的时间，且所消耗的时间会随着样本库中特征的增加而增加，因此缺陷检测速度较慢。除此之外，在其他的无监督异常检测方法中，正样本特征库会将图像的二维特征信息压缩为特征向量，由此会损失原始图像中部分位置信息，从而影响工业缺陷检测结果的准确度。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本专利技术的一个目的在于提出一种工业缺陷检测方法，以减少工业缺陷检测的检测时间，提高工业缺陷检测的检测效率，且在不需要构建正样本特征库的条件下实现工业缺陷检测，以节省存储空间。
[0006]本专利技术的第二个目的在于提出一种工业缺陷检测装置。
[0007]本专利技术的第三个目的在于提出一种电子设备。
[0008]本专利技术的第四个目的在于提出一种计算机可读存储介质。
[0009]为达上述目的，本专利技术第一个实施例提出了一种工业缺陷检测方法，所述工业缺陷检测方法包括：
[0010]获取待测图像样本，并对所述待测图像样本进行预处理；利用特征提取网络对经过预处理的所述待测图像样本进行特征提取，得到所述特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的所述特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，以根据所述异常分数图进行缺陷检测。
[0011]本专利技术实施例的工业缺陷检测方法，通过获取待测图像样本，并对待测图像样本进行预处理；再利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，得到各个提取阶段的高斯概率估计图；再根据所有提取阶段的高斯概
率估计图确定待测图像样本的异常分数图，最后根据异常分数图来进行缺陷检测。由此，在检测过程中不需要使用正样本特征库，通过将特征图输入至训练好的二维自回归流模型中即可实现特征对比，从而节省了存储空间；且采用该工业缺陷检测方法的操作过程简单，能够提高工业缺陷检测效率。
[0012]在一些实现方式中，所述二维自回归流模型的训练步骤包括：获取正常图片样本，并将所述正常图片样本进行预处理；利用所述特征提取网络对经过预处理的所述正常图片样本进行特征提取，以得到所述特征提取网络在多个提取阶段输出的训练特征图；将各个提取阶段的所述训练特征图输入至待训练的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图，其中，所述二维自回归流模型包括多个网络分支，不同的所述网络分支用于得到不同提取阶段的高斯概率估计图；根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值；根据所述总损失值对相应的所述网络分支的参数进行更新，以得到所述训练好的二维自回归流模型。
[0013]在一些实现方式中，所述根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值，包括：根据各个提取阶段的所述高斯概率估计图确定相应所述网络分支的损失值；根据所有所述网络分支的损失值确定所述二维自回归流模型的总损失值。
[0014]在一些实现方式中，通过下式确定所述网络分支的损失值：
[0015]z
i
＝f(x
i
)
[0016][0017][0018]其中，X
i
为特征提取网络第i个提取阶段输出的所述训练特征图，f为所述二维自回归流模型，Z
i
为第i个提取阶段的所述高斯概率估计图，Z
i,j
为第i个提取阶段的所述高斯概率估计图的第j个像素值，j＝1表示第i个提取阶段的所述高斯概率估计图的首个像素值，C为所述高斯概率估计图的通道数，W为所述高斯概率估计图的宽度，H为所述高斯概率估计图的高度，L
i
为与第i个提取阶段对应的所述网络分支的损失值，为与第i个提取阶段对应的所述网络分支的雅可比矩阵的行列式。
[0019]在一些实现方式中，通过下式确定所述总损失值：
[0020][0021]其中，L为所述二维自回归流模型的所述总损失值，m为所述特征提取网络的提取阶段数。
[0022]在一些实现方式中，所述根据所述总损失值对相应的所述网络分支的参数进行更新，包括：采用反向传播算法，并根据所述总损失值更新各个所述网络分支的参数，直至各个所述网络分支收敛。
[0023]在一些实现方式中，所述根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，包括：利用各个提取阶段的所述高斯概率估计图确定各个提取阶段的子异常分数图；根据每个提取阶段的所述子异常分数图确定所述异常分数图。
[0024]在一些实现方式中，通过下式确定所述子异常分数图：
[0025][0026]其中，M
i
为第i个提取阶段的所述子异常分数图，Z
i,k2
为第i个提取阶段第k个通道的所述高斯概率估计图中每个像素值的平方，k＝1表示第i个提取阶段的所述高斯概率估计图的第1个通道。
[0027]在一些实现方式中，通过下式确定所述异常分数图：
[0028][0029][0030]其中，M
ui
为将第i个提取阶段的所述子异常分数图映射于所述待测图像样本后的子异常分数图，input_size为所述待测图像样本的输入尺寸，M为所述异常分数图。
[0031]在一些实现方式中，所述根据所述异常分数图进行缺陷检测，包括：确定所述异常分数图中是否存在异常区域，所述异常区域中像素点的异常分数大于预设阈值；若是，则将所述异常区域映射在所述待测图像样本的部分进行分割，以得到缺陷图像。
[0032]为达上述目的，本专利技术第二个实施例提出了一种工业缺陷检测装置，该工业缺陷检测装置包括：
[0033]获取模块，用于获取待测图像样本，并对所述待测图像样本进行预处理；特征提取模块，用于利用特征提取网络对经过预处理的所述待测图像样本进行特征提取，得到所述特征提取网络在多个提取阶段输出的特征图；处理模块，用于将各个提取阶段的所述特征图输入至预先训练好的二维自回归流模型中，以得到各本文档来自技高网...

【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：获取待测图像样本，并对所述待测图像样本进行预处理；利用特征提取网络对经过预处理的所述待测图像样本进行特征提取，得到所述特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的所述特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，以根据所述异常分数图进行缺陷检测；所述二维自回归流模型的训练步骤包括：获取正常图片样本，并将所述正常图片样本进行预处理；利用所述特征提取网络对经过预处理的所述正常图片样本进行特征提取，以得到所述特征提取网络在多个提取阶段输出的训练特征图；将各个提取阶段的所述训练特征图输入至待训练的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图，其中，所述二维自回归流模型包括多个网络分支，不同的所述网络分支用于得到不同提取阶段的高斯概率估计图；根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值；根据所述总损失值对相应的所述网络分支的参数进行更新，以得到所述训练好的二维自回归流模型；其中，所述根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值，包括：根据各个提取阶段的所述高斯概率估计图确定相应所述网络分支的损失值；根据所有所述网络分支的损失值确定所述二维自回归流模型的总损失值；通过下式确定所述网络分支的损失值：z
i
＝f(X
i
))其中，X
i
为特征提取网络第i个提取阶段输出的所述训练特征图，f为所述二维自回归流模型，Z
i
为第i个提取阶段的所述高斯概率估计图，Z
i,j
为第i个提取阶段的所述高斯概率估计图的第j个像素值，j＝1表示第i个提取阶段的所述高斯概率估计图的首个像素值，C为所述高斯概率估计图的通道数，W为所述高斯概率估计图的宽度，H为所述高斯概率估计图的高度，L
i
为与第i个提取阶段对应的所述网络分支的损失值，为与第i个提取阶段对应的所述网络分支的雅可比矩阵的行列式。2.根据权利要求1所述的工业缺陷检测方法，其特征在于，通过下式确定所述总损失值：
其中，L为所述二维自回归流模型的所述总损失值，m为所述特征提取网络的提取阶段数。3.根据权利要求2所述的工业缺陷检测方法，其特征在于，所述根...

【专利技术属性】
技术研发人员：张海涛，孙涛，艾坤，刘海峰，王子磊，
申请(专利权)人：合肥中科类脑智能技术有限公司，
类型：发明
国别省市：