基于自监督学习的缺陷检测制造技术

可提供一种用于基于自监督学习的缺陷检测的方法，该方法可包括：(a)接收被评估对象的图像；(b)对所述图像应用失真去除机器学习过程以提供所述评估对象的已处理图像；(c)将该图像与所述已处理图像进行对比以提供对比结果；和(d)基于所述对比结果检测一个或多个对象缺陷。所述失真去除机器学习过程由训练过程训练，以去除对象图像中的失真。所述训练过程包括向所述机器学习过程馈送参考对象的图像和所述参考对象的失真图像。所述失真图像是通过使所述参考图像失真而生成的。过使所述参考图像失真而生成的。过使所述参考图像失真而生成的。

【技术实现步骤摘要】
基于自监督学习的缺陷检测

技术介绍

[0001]缺陷检测是一种涉及获取评估对象的图像并对该图像进行处理以检测缺陷的过程。缺陷检测的常用方法包括将评估对象的图像与参考对象的图像进行对比。该对比需要将被检查对象与参考对象对齐。该对齐可能会耗费时间和资源，尤其是当该对象不平时，且尤其是当该对象是弯曲的时。
[0002]将评估对象与无缺陷的参考对象进行对比可能是有益的，但生成无缺陷参考对象的图像也可能会耗费时间和资源。将被检查对象与任意参考对象进行对比可能会产生模棱两可的结果，因为评估对象与参考对象之间的差异可能是由评估对象或参考对象的缺陷引起的。
[0003]越来越需要提供一种成本效益好的缺陷检测方法。

技术实现思路

[0004]一种基于自监督学习的缺陷检测方法、系统和非瞬态计算机可读介质。
附图说明
[0005]为了更充分地理解和认识本专利技术的实施例，以下结合附图对其进行详细描述，其中：
[0006]图1示出了一种方法的示例；
[0007]图2示出了包括对象和背景的图像示例，以及失真图像的示例；
[0008]图3示出了包括对象和背景的图像示例，以及失真图像的示例；
[0009]图4示出了对象的简化图像示例和失真对象的简化图像示例；和
[0010]图5示出了图像示例。
具体实施方式
[0011]在下面的详细描述中，对许多具体细节进行了阐述以充分理解本专利技术。然而，本领域的技术人员将理解，可以在没有这些具体细节的情况下实施本专利技术。在其他情况下，没有对公知的方法、程序和组件进行详细的描述以免混淆本专利技术。
[0012]在说明书的结论部分中特别指出并明确要求保护本专利技术的主题。然而，本专利技术关于组织和操作方法，连同其目的、特征和优点，可以在阅读附图时通过参考以下详细描述得到最好的理解。
[0013]应当理解，为了简单和清楚的说明，图中所示的元件未必按比例绘制。例如，为了清楚起见，部分元件的尺寸可能相对于其他元件被放大。此外，在认为合适的情况下，附图标记可以在附图中重复以指示相应或类似的元件。
[0014]因为本专利技术的所示实施例大部分可以使用本领域技术人员已知的电子元件和电路来实现，所以为了理解本专利技术的基本概念，将不会在任何比上文所示的认为必要的范围更大的范围内对细节进行解释，以免混淆或分散本专利技术的教导。
[0015]说明书中对方法的任何引用应比照适用于能够执行该方法的设备或系统和/或可比照适用于存储用于执行该方法的指令的非瞬态计算机可读介质。
[0016]说明书中对系统或设备的任何引用应比照适用于可由系统执行的方法，和/或可比照适用于存储可由该系统执行的指令的非瞬态计算机可读介质。
[0017]说明书中对非瞬态计算机可读介质的任何引用应比照适用于能够执行存储在该非瞬态计算机可读介质中的指令的设备或系统和/或可以比照适用于执行该指示的方法。
[0018]说明书和/或附图可能涉及到信息单元。信息单元可以是感测信息单元。感测信息单元可以捕获或可以指示自然信号，例如但不限于自然产生的信号、表示人类行为的信号、表示与股票市场相关的操作的信号、医疗信号、音频信号、视觉信息信号等。感测信息可以由任何类型的传感器，例如可见光相机，或可以感测红外线、雷达图像、超声波、电光学、射线照相术、LIDAR(光探测和测距)等的传感器感测。
[0019]说明书和/或附图可能涉及处理器。处理器可以是处理电路。处理电路可以实现为中央处理单元(CPU)和/或一个或更多个其他集成电路，例如专用集成电路(ASI定)、现场可编程门阵列(FPGA)、全定制集成电路等,或此类集成电路的组合。
[0020]可以提供说明书和/或附图中所示的任何方法的任何步骤的任何组合。
[0021]可以提供任何权利要求的任何主题的任何组合。
[0022]可以提供说明书和/或附图中所示的系统、单元、组件、处理器、传感器的任何组合。
[0023]可以提供一种用于基于自学习的缺陷检测的系统、方法和非瞬态计算机可读介质。
[0024]图1示出了一种用于缺陷检测的方法的示例。
[0025]方法100可开始于获得失真去除机器学习过程的步骤110。
[0026]步骤110可包括(a)训练失真去除机器学习过程，或(b)接收该失真去除机器学习过程中的至少一个。
[0027]该失真去除机器学习过程被配置为去除对象的图像中的失真。该去除是在训练过程中学习的。
[0028]失真去除机器学习过程的训练过程包括为机器学习过程馈送参考对象的图像和参考对象的失真图像。失真图像是通过使参考对象的图像失真而生成的。
[0029]失真可以是形状和/或尺寸不同于被检查对象的缺陷的形状和/或尺寸的失真。例如，可能比预期的缺陷小，可能具有不同的形状，例如具有圆形的多边形形状，而预期的缺陷可能具有更真实的
‑
有缺陷的形状。
[0030]训练过程可以是自监督的过程。
[0031]参考对象可以没有缺陷，可以包括缺陷或者可以是任意缺陷级别。
[0032]训练过程可以包括获得参考对象的失真图像。该获得可以包括生成失真图像、接收失真图像、接收部分失真图像和生成部分其他失真图像。
[0033]参考对象的图像可以以多种方式多次失真以提供多个失真图像。
[0034]对象的图像的失真可包括用失真的片段替换图像的片段。
[0035]通过在图像的相应片段的一个或更多个属性中引入差异来生成失真片段。
[0036]该一个或更多个属性可以包括图像的对应片段的强度参数。强度参数可以是灰度
级参数，例如平均灰度级、去除离群点后的平均灰度级、灰度级分布参数(例如方差，或任意幂的σ)等。
[0037]一个或更多个属性可包括图像对应片段的平均强度。差异可包括将平均灰度级映射到另一个值，该映射可以是随机映射、非随机映射等。
[0038]一个或更多个属性可包括出现在图像相应片段中的对象的大小。该片段可以按任何系数缩小或放大。
[0039]一个或更多个属性可包括出现在图像对应片段中的对象的朝向。该片段可能会发生朝向上的任何变化(沿任何轴旋转等)。
[0040]该片段可以任何方式翘曲或失真。
[0041]从一个视点拍摄的对象图像的片段可以由从另一个视点拍摄的该对象的片段代替。
[0042]完成步骤110之后可进行步骤120，接收评估对象的图像。
[0043]完成步骤120之后可进行步骤130，对图像应用失真去除机器学习过程以提供评估对象的已处理图像。
[0044]理想地，该评估对象可与在其上训练失真去除机器学习过程的参考对象相同。
[0045]该评估对象可与在其上训练失真去除机器学习过程的参考对象不同。
[0046]完成步骤130之后可进行步骤140，将该图像与已处理图像进行对比，得到对比结果。
[0047]步骤140可包括生成差异图像。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于缺陷检测的方法，该方法包括：接收评估对象的图像；对所述图像应用失真去除机器学习过程以提供所述评估对象的已处理图像；将所述图像与所述已处理图像进行对比以提供对比结果；以及基于所述对比结果检测一个或多个对象缺陷；其中，所述失真去除机器学习过程由训练过程训练，以去除对象图像中的失真；以及其中，所述训练过程包括向所述机器学习过程馈送参考对象的图像和所述参考对象的失真图像；其中，所述失真图像是通过使所述参考图像失真而生成的。2.根据权利要求1所述的方法，其中，无缺陷对象的图像的失真包括用失真的片段替换所述图像的片段；其中，通过在所述图像的相应片段的一个或更多个属性中引入差异来生成失真片段。3.根据权利要求2所述的方法，其中，所述一个或更多个属性包括所述图像的相应片段的强度参数。4.根据权利要求2所述的方法，其中，所述一个或更多个属性包括所述图像的相应片段的平均强度。5.根据权利要求2所述的方法，其中，所述一个或更多个属性包括出现在所述图像的相应片段中的物件的大小。6.根据权利要求2所述的方法，其中，所述一个或更多个属性包括出现在所述图像的相应片段中的物件的朝向。7.根据权利要求1所述的方法，其中，所述对图像应用失真去除机器学习过程将所述评估对象的朝向和位置保持在所述失真图像的范围内。8.根据权利要求1所述的方法，其中，在执行所述应用、对比和生成步骤时无需进行图像对齐。9.根据权利要求1所述的方法，其中，所述对比包括生成差异图像。10.根据权利要求1所述的方法，其中，所述训练过程为自监督训练过程。11.根据权利要求1所述的方法，其中，所述参考对象的图像为无缺陷参考对象的图像。12.一种用于缺陷检测的非瞬态计算机可读介质，所述非瞬态计算机可读介质存储指令用于：接收评估对象的图像；对所述图像应用失真去除机器学习过程以提供...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：精益人工智能科技有限公司，
类型：发明
国别省市：