一种缺陷检测方法、装置、电子设备及存储介质制造方法及图纸

本申请的一些实施例提供一种缺陷检测方法、装置、电子设备及存储介质，该方法包括：获取待检测图像；将待检测图像输入预先训练好的距离度量模型中，得到与待检测图像对应的特征向量；根据特征向量和预先建立的分类模型，确定待检测图像中的每一个像素点到中心点的距离图；根据待检测图像中的每一个像素点到中心点的距离图和检测半径，确定待检测图像上的缺陷区域，通过对不同缺陷属性特征分别进行样本映射学习，拆分并简化特征提取流程来提升特征分布的紧凑性，并通过分类模型确定检测半径，对待检测图像上的每一个像素点进行判断，从而识别出缺陷区域，提高检测的准确度。提高检测的准确度。提高检测的准确度。

【技术实现步骤摘要】
一种缺陷检测方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，具体而言，涉及一种缺陷检测方法、装置、电子设备及存储介质。

技术介绍

[0002]缺陷检测是工业生产流程中的一个重要环节，现有技术中采用各种方法来进行缺陷检测。
[0003]采用监督学习的神经网络来实现缺陷检测，需要获取大量经过人工标注的缺陷样本来训练模型，在缺陷样本获取的过程中，由于缺陷产品的出现概率一般较低，收集缺陷样本比较困难，且收集与标注足够数量的样本时间成本较高，这样，训练模型就会受到样本的影响，无法准确的对缺陷进行检测。如何能够快速准确的对缺陷进行检测，是目前急需解决的技术问题。

技术实现思路

[0004]本申请的一些实施例的目的在于提供一种缺陷检测方法、装置、存储介质及电子设备，通过获取待检测图像；将待检测图像输入预先训练好的距离度量模型中，得到与待检测图像对应的特征向量，预先训练好的距离度量模型是根据不同缺陷的属性特征，对初始训练模型训练得到的；根据特征向量和预先建立的分类模型，确定待检测图像中的每一个像素点到中心点的距离图；根据待检测图像中的每一个像素点到中心点的距离图和检测半径，确定待检测图像上的缺陷区域，其中，检测半径和中心点是通过对分类模型进行训练得到的，通过对不同缺陷属性特征分别进行样本映射学习，拆分并简化特征提取流程来提升特征分布的紧凑性，并通过分类模型确定检测半径，对待检测图像上的每一个像素点进行判断，从而识别出缺陷区域，提高检测的准确度。
[0005]第一方面，本申请的一些实施例提供了一种缺陷检测方法，包括：
[0006]获取待检测图像；
[0007]将所述待检测图像输入预先训练好的距离度量模型中，得到与所述待检测图像对应的不同缺陷的特征向量，所述预先训练好的距离度量模型是根据不同缺陷的属性特征，对初始训练模型训练得到的；
[0008]根据所述特征向量和预先建立的分类模型，确定所述待检测图像中的每一个像素点到中心点的距离图；
[0009]根据所述待检测图像中的每一个像素点到中心点的距离图和检测半径，确定所述待检测图像上的缺陷区域，其中，所述检测半径和所述中心点是通过对所述分类模型进行训练得到的。
[0010]本申请的一些实施例通过对不同缺陷属性特征分别进行样本映射学习，拆分并简化特征提取流程来提升特征分布的紧凑性，并通过分类模型确定检测半径，提高检测的准确度。
[0011]在一些实施例，所述距离度量模型通过如下方式获得：
[0012]获取训练样本集，其中，所述训练样本集包括正常样本图像和辅助样本图像；
[0013]根据所述正常样本图像和所述辅助样本图像，确定异常样本集；
[0014]根据所述异常样本集和所述正常样本图像构成的正常样本集，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练；
[0015]在正常特征间余弦距离和异常样本特征间余弦距离大于第一预设值的情况下，将训练完成的模型确定为所述距离度量模型。
[0016]本申请的一些实施例通过建立距离度量模型，获取多属性分离的缺陷特征提取网络，目的在于改善传统距离度量方法中特征提取方式单一和信息混杂问题，提升缺陷区域的定位精度。
[0017]在一些实施例，所述不同缺陷的属性特征至少包括亮度特征、色调特征、纹理特征和上下文特征，其中，所述纹理特征至少包括纹理结构、粗糙度或方向中的一种或多种，所述上下文特征至少包括平移或错位。
[0018]本申请的一些实施例通过设置亮度特征、色调特征、纹理特征和上下文特征等多缺陷属性特征，改善传统距离度量方法中特征提取方式单一和信息混杂问题。
[0019]在一些实施例，所述根据所述异常样本集和所述正常样本集，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练，包括：
[0020]分别获取亮度特征信息、色调特征信息、纹理特征信息和上下文特征信息；
[0021]基于与所述亮度特征信息对应的亮度权重、与所述色调特征信息对应的色调权重、与所述纹理特征信息对应的纹理权重和与所述上下文特征信息对应的上下文权重，在各自对应的映射层上，分别采用对应的所述异常样本集和所述正常样本集就，对所述初始训练模型进行训练，得到与所述亮度特征信息对应亮度训练信息，与所述色调特征信息对应的色调训练信息，与所述纹理特征信息对应的纹理训练信息，以及与上下文特征信息对应的上下文训练信息；
[0022]根据所述亮度训练信息、所述色调训练信息、所述纹理训练信息和所述上下文训练信息，确定多属性混合特征。
[0023]本申请的一些实施例，从多角度针对性地提取图像的某类特征，从更细的粒度进行特征映射训练，而不用同时考虑将各种类型的异常目标映射到远离正常样本的区域，以降低特征分析难度的方式提升缺陷的定位灵敏度。
[0024]在一些实施例，所述根据所述亮度训练信息、所述色调训练信息、所述纹理训练信息和所述上下文训练信息，确定多属性混合特征，包括：
[0025]将所述亮度训练信息、所述色调训练信息、所述纹理训练信息和所述上下文训练信息依次进行拼接，得到所述多属性混合特征。
[0026]本申请的一些实施例，从多角度针对性地提取图像的某类特征，从更细的粒度进行特征映射训练，而不用同时考虑将各种类型的异常目标映射到远离正常样本的区域，以降低特征分析难度的方式提升缺陷的定位灵敏度。
[0027]在一些实施例，所述根据所述正常样本集和所述辅助样本集，确定异常样本集，包括：
[0028]在所述正常样本集的正常样本图像上，确定第一区域；
[0029]将所述辅助样本集中辅助样本图像替换所述第一区域内的图像，得到所述异常样本图像；
[0030]将多个所述异常样本图像确定为所述异常样本集。
[0031]本申请的一些实施例，利用多样化且策略已知的人造异常样本这一特点，在样本合成过程中自动判断缺陷的哪个属性发生了变更。
[0032]在一些实施例，所述初始训练模型包括ResNet18模型。
[0033]在一些实施例，所述方法还包括：
[0034]分别对所述正常样本图像的特征向量和所述异常样本集中的异常样本图像的特征向量进行翻转处理，得到分类结果；
[0035]采用快速梯度符号方法，对所述分类结果中的各个图像特征进行线性干扰，生成对抗样本。
[0036]本申请的一些实施例通过对抗样本并引入额外的训练过程，弥补因容易区分的人造异常样本导致的特征分布约束减弱问题。
[0037]在一些实施例，所述根据所述异常样本集和所述正常样本图像构成的正常样本集，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练，包括：
[0038]根据所述对抗样本和所述多属性混合特征，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练。
[0039]本申请的一些实施例通过对抗样本并引入额外的训练过程，弥补因容易区分的人造异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺陷检测方法，其特征在于，所述方法包括：获取待检测图像；将所述待检测图像输入预先训练好的距离度量模型中，得到与所述待检测图像对应的不同缺陷的特征向量，所述预先训练好的距离度量模型是根据不同缺陷的属性特征，对初始训练模型训练得到的；根据所述特征向量和预先建立的分类模型，确定所述待检测图像中的每一个像素点到中心点的距离图；根据所述待检测图像中的每一个像素点到中心点的距离图和检测半径，确定所述待检测图像上的缺陷区域，其中，所述检测半径和所述中心点是通过对所述分类模型进行训练得到的。2.根据权利要求1所述的缺陷检测方法，其特征在于，所述距离度量模型通过如下方式获得：获取训练样本集，其中，所述训练样本集包括正常样本图像和辅助样本图像；根据所述正常样本图像和所述辅助样本图像，确定异常样本集；根据所述异常样本集和所述正常样本图像构成的正常样本集，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练；在正常特征间余弦距离和异常样本特征间余弦距离大于第一预设值的情况下，将训练完成的模型确定为所述距离度量模型。3.根据权利要求2所述的缺陷检测方法，其特征在于，所述不同缺陷的属性特征至少包括亮度特征、色调特征、纹理特征和上下文特征，其中，所述纹理特征至少包括纹理结构、粗糙度或方向中的一种或多种，所述上下文特征至少包括平移或错位。4.根据权利要求3所述的缺陷检测方法，其特征在于，所述根据所述异常样本集和所述正常样本集，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练，包括：分别获取亮度特征信息、色调特征信息、纹理特征信息和上下文特征信息；基于与所述亮度特征信息对应的亮度权重、与所述色调特征信息对应的色调权重、与所述纹理特征信息对应的纹理权重和与所述上下文特征信息对应的上下文权重，在各自对应的映射层上，分别采用对应的所述异常样本集和所述正常样本集就，对所述初始训练模型进行训练，得到与所述亮度特征信息对应亮度训练信息，与所述色调特征信息对应的色调训练信息，与所述纹理特征信息对应的纹理训练信息，以及与上下文特征信息对应的上下文训练信息；根据所述亮度训练信息、所述色调训练信息、所述纹理训练信息和所述上下文训练信息，确定多属性混合特征。5.根据权利要求4所述的缺陷检测方法，其特征在于，所述根据所述亮度训练信息、所述色调训练信息、所述纹理训练信息和所述上下文训练信息，确定多属性混合特征，包括：将所述亮度训练信息、所述色调训练信息、所述纹理训练信息和所述上下文训练信息依次进行拼接，得到所述多属性混合特征。6.根据权利要求2所述的缺陷检测方法，其特征在于，所述根据所述正常样本集和所述辅助样本集，确定异常样本集，包括：
在所述正常样本集的正常样本图像上，确定第一区域；将所述辅助样本集中辅助样本图像替换所述第一区域内的图像，得到所述异常样本图像；将多个所述异常样本图像确定为所述异常样本集。7.根据权利要求2所述的缺陷检测方法，其特征在于，所述初始训练模型包括ResNet18模型。8.根据权利要求5所述的缺陷检测方法，其特征在于，所述方法还包括：分别对所述正常样本图像的特征向量和所述异常样本集中的异常样本图像的特征向量进行翻转处理，得到分类结果；采用快速梯度符号方法，对所述分类结果中的各个图像特征进行线性干扰，生成对抗样本。9.根据权利要求8所述的缺陷检测方法，其特征在于，所述根据所述异常样本集和所述正常样本图像构成的正常样本集，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练，包括：根据所述对抗样本和所述多属性混合特征，在不同缺陷的属性特征对应的映射层上，对所述初始训练模型进行训练。10.根据权利要求9所述的缺陷检测方法，其特征在于，所述分类模型通过如下方式获得：在训练所述距离度量模型收敛的情况下，采用所述对抗样本对SVDD模型进行参数更新，得到球面半径和中心点；在所述对抗样本和所述正常样本的相似度大于第二预设值时，根据所述球面半径和所述中心点确定所述分类模型，并将所述球面半径确定为所述...

【专利技术属性】
技术研发人员：张正涛，吕承侃，何泳澔，刘丹枫，付发，张武杰，沈飞，张峰，杨化彬，
申请(专利权)人：中科慧远视觉技术洛阳有限公司，
类型：发明
国别省市：