【技术实现步骤摘要】
基于多尺度标准化流的无监督笔记本外观缺陷检测方法
[0001]本专利技术涉及工业缺陷检测
,具体涉及一种基于多尺度标准化流的无监督笔记本外观缺陷检测方法。
技术介绍
[0002]伴随信息技术的不断普及,智能制造开始逐步发展,有关智能制造的国家工业发展战略不断地被提出。
[0003]在工业制造领域,保证生产产品的质量至关重要。具体在笔记本电脑生产线上,及时检测出电脑的外观表面缺陷才能确保产品的最终交付。传统的表面缺陷检测主要基于人工目检,而传统人工检测方法存在费时费力、容易出现误检漏检、难以匹配日益提升的生产效率等问题。随着计算机技术的快速发展,基于机器视觉的AOI(Automated Optical Inspection)技术逐渐取代了人工目检表面缺陷。
[0004]目前基于机器视觉的表面缺陷检测方法主要分为两类:
[0005]1)基于支持向量机的缺陷检测方法;此类方法的算法复杂度低,检测速度快,并且易于嵌入到机械设备中,但检测精度不高,容易出现漏检误检,且由于需要人工设计特征,非常依赖具有经验的工程师。
[0006]2)基于深度学习的缺陷检测方法;相对于传统机器学习检测算法,深度学习检测算法在具有足够训练样本数据的条件下能实现高精度的检测,且不依赖于人工设计特征,可迁移性好。但在实际工业生产场景中,很难收集到完整的表面缺陷数据集,一些缺陷类型可能在之前的生产过程中从未出现过,这势必导致深度学习检测算法在缺失缺陷类型的检测效果差,并且大部分深度学习检测算法在一些微小缺陷类型上表现 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度标准化流的无监督笔记本外观缺陷检测方法,其特征在于,将在笔记本电脑生产线上实时采集得到的笔记本电脑外观图像,依次输入到多尺度特征提取网络模型以及缺陷检测模型,得到笔记本电脑外观缺陷的检测结果;其中,对多尺度特征提取网络模型以及缺陷检测模型的进行训练时,包括以下步骤:步骤一、将笔记本电脑的原始外观图像进行预处理后,组成训练数据集;步骤二、构造基于ResNet50网络和特征金字塔网络的多尺度特征提取网络模型,提取训练数据集中外观图像的多尺度特征;步骤三、构造基于多尺度标准化流网络的缺陷检测模型,以步骤二中提取得到的多尺度特征作为缺陷检测模型的输入,通过计算损失函数对缺陷检测模型进行训练。2.根据权利要求1所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法,其特征在于,步骤一中将笔记本电脑的原始外观图像进行预处理时,利用工业相机在笔记本电脑生产线上对笔记本电脑的原始外观图像进行采集,然后通过随机角度旋转方法或平移方法对原始外观图像进行预处理。3.根据权利要求1所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法,其特征在于,步骤二中构造的多尺度特征提取网络模型包括ResNet50骨干网络;对ResNet50骨干网络使用公开数据集ImageNet进行预训练,得到初始参数,并保证ResNet50骨干网络的初始参数在多尺度特征提取网络模型以及缺陷检测模型的训练过程中保持不变;训练数据输入ResNet50骨干网络,分别得到ResNet50骨干网络五个阶段Stage0、Stage1、Stage2、Stage3、Stage4的最后一层输出的特征图C0、C1、C2、C3、C4。4.根据权利要求3所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法,其特征在于,步骤二中的多尺度特征提取网络模型还包括基于特征金字塔网络构建的多尺度特征提取网络;多尺度特征提取网络包括一条自顶向下的特征融合路径一和一条自底向上的特征融合路径二;特征融合路径一中自顶向下依次包括特征图M4、M3、M2、M1,顶层特征图M4为直接对特征图C4进行1*1卷积降低通道数目得到,其余特征图M
i
,i=1,2,3通过一个浅层特征图C
i
和一个深层特征图M
i+1
融合得到;特征融合路径二中自底向上依次包括特征图P1、P2、P3、P4,底层特征图P1直接复制M1的值,其余特征图P
i
,i=2,3,4通过一个浅层特征图P
i
‑1和一个深层特征图M
i
融合得到;最后将[M2,M3,M4]和[P2,P3,R4]沿通道维度拼接成多尺度特征[y1,y2,y3]。5.根据权利要求1所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法,其特征在于,步骤三中构造的缺陷检测模型为由多个耦合块串联而成的耦合块链,耦合块即多尺度标准化流子网络;输入缺陷检测模型的多尺度特征依次经过耦合块链中的每个耦合块,且每经过一个耦合块对输入特...
【专利技术属性】
技术研发人员:赵云波,张杰,李泽瑞,康宇,吕文君,
申请(专利权)人:合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室,
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。