一种基于数据增强与标准化流的图像缺陷检测方法技术

本发明专利技术公开了一种基于数据增强与标准化流的图像缺陷检测方法，包括获取原始布料服饰图像；对获取的原始布料服饰图像进行图像增强处理；对布料服饰图像进行特征提取，得到不同尺度的特征图像；根据不同尺度的特征图像，采用自注意力标准化流网络模型估计特征在潜在空间的概率密度；根据估计的概率密度确定布料服饰图像的缺陷检测结果。本发明专利技术结合了数据增强方法和融合注意力机制的标准化流模型以实现对布料服饰图像的缺陷检测，并采用融合注意力机制改进的标准化流模型实现对图像潜在空间的精确概率密度估计。同时，使用数据增强方法后计算出的似然可以计算更稳健的缺陷分数，从而得到布料服饰图像的缺陷检测结果，能够显著提高检测性能。著提高检测性能。著提高检测性能。

【技术实现步骤摘要】
一种基于数据增强与标准化流的图像缺陷检测方法


[0001]本专利技术涉及图像缺陷检测
，具体涉及一种基于数据增强与标准化流的图像缺陷检测方法。

技术介绍

[0002]在布料生产线过程中，产品质量不断受到监控和改进。因此，需要可靠地检测生产过程中的小缺陷。然而，生产厂家事先并不知道会发生哪种类型的缺陷，而且大多数缺陷出现的频率太低，以至于没有可用的缺陷示例。即使已知某些缺陷类型，由于生产过程中不可预见的事件，新类型仍可能会随时出现。因此，有监督的机器学习方法无法进行完全可靠的缺陷检测。
[0003]通常，缺陷检测描述了确定的数据样本是否与一组给定的正常样本仅略有不同的问题。虽然传统的缺陷检测方法非常适合具有高类别内方差的数据，但它们无法捕捉到细微的差异。现有的缺陷检测方法大致可以分为基于生成模型和基于预训练网络的方法。
[0004](1)基于预训练的方法
[0005]有几项工作使用预训练网络的特征空间来检测缺陷。在大多数情况下，使用简单的传统机器学习方法来获得异常分数。Nazare等人评估了不同的标准化技术，以在特征空间的主成分分析(Principal Components Analysis，PCA)缩减特征表示上应用最近邻分类器。缺陷的定位是通过在许多重叠的补丁上评估该方法来实现的。然而，这样做的代价是非常高的。Sabokrou等人将无异常特征分布建模为单峰高斯分布。因此，它们均无法捕获多峰分布，导致以上技术仅适用于缺陷检测中的特定类，无法进行可靠地缺陷检测。并且上述技术都没有利用好深度神经网络的灵活性。
[0006](2)基于生成模型的方法
[0007]生成模型，例如变分自编码器(Variational Auto
‑
Encoder，VAE)和GAN，能够从训练数据的潜在分布中生成样本。使用这些模型的缺陷检测方法基于这样的想法，即由于训练集中不存在缺陷，因此网络无法生成缺陷，那么则可以通过生成器生成与缺陷图对应的正常图并进行对比来找到缺陷或者利用输入输出之间的重建误差来找到缺陷。
[0008]基于VAE的方法试图通过将VAE的输出与其输入进行比较来检测缺陷。因此，如果输入输出之间具有高重建误差的话则表示图像中极大可能存在有缺陷的区域。Bergemann等人提出结构相似性误差函数使重建误差依赖于视觉相似性。在许多情况下，基于VAE的方法失败是因为它们泛化能力太强，即使是缺陷样本也可以像正常样本一样被重建。基于GAN的方法假设只能生成正样本。Schlegl等人提出了一种两阶段的训练方法：首先学习GAN，然后将编码器优化为逆生成器。使用生成器作为解码器可以计算重建损失以及原始图像和重建图像的判别器特征之间的差异，以获得异常分数。Akcay等人通过让自编码器直接充当生成对抗网络的生成部分来利用对抗训练。这样即可强制解码器的属性只生成和正常样本相似的样本，这些样本可以通过原始数据和重建数据的特征表示向量之间的差异来衡量。而上述生成模型适用于广泛的缺陷检测场景，因为它们强烈依赖于缺陷类型。例如，缺陷区域
的大小和结构严重影响异常分数。也就是说如果关注的区域显示出了某种高频结构，则无法准确地表示它们。甚至一些特定实例的结构比缺陷对重建误差的影响更大。

技术实现思路

[0009]针对现有技术中的上述不足，本专利技术提供了一种基于数据增强与标准化流的图像缺陷检测方法。
[0010]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0011]一种基于数据增强与标准化流的图像缺陷检测方法，包括以下步骤：
[0012]S1、获取原始布料服饰图像；
[0013]S2、对步骤S1获取的原始布料服饰图像进行图像增强处理；
[0014]S3、对步骤S2处理后的布料服饰图像进行特征提取，得到不同尺度的特征图像；
[0015]S4、根据步骤S3得到的不同尺度的特征图像，采用自注意力标准化流网络模型估计特征在潜在空间的概率密度；
[0016]S5、根据步骤S4估计的概率密度确定布料服饰图像的缺陷检测结果。
[0017]可选地，步骤S4中自注意力标准化流网络模型具体包括：
[0018]多块堆叠的融合自注意力机制的仿射耦合块，通过交替堆叠仿射耦合块和通道交换层对不同尺度的特征图像进行从随机噪声向量到目标分布的可逆变换。
[0019]可选地，所述融合自注意力机制的仿射耦合块具体包括：
[0020]特征分割层、第一自注意力网络层、第一指数化层、第二自注意力网络层、第二指数化层和特征拼接层；
[0021]所述特征分割层用于将输入的特征图像分割为第一特征图像和第二特征图像；
[0022]所述第一自注意力网络层用于对输入的第一特征图像进行非线性变换，得到第一变换特征图像和第二变换特征图像；
[0023]所述第一指数化层用于对输入的第二变换特征图像进行指数化处理，得到第一指数化特征图像；
[0024]所述第二特征图像与第一指数化特征图像进行逐元素乘积后与第一变换特征图像进行拼接，得到第二输出特征图像；
[0025]所述第二自注意力网络层用于对输入的第二输出特征图像进行非线性变换，得到第三变换特征图像和第四变换特征图像；
[0026]所述第二指数化层用于对输入的第三变换特征图像进行指数化处理，得到第二指数化特征图像；
[0027]所述第一特征图像与第二指数化特征图像进行逐元素乘积后与第四变换特征图像进行拼接，得到第一输出特征图像；
[0028]所述特征拼接层用于将第一输出特征图像和第二输出特征图像进行拼接，得到最终的输出特征图像。
[0029]可选地，所述自注意力标准化流网络模型估计特征在潜在空间的概率密度的计算公式为：
[0030][0031]其中，p
Y
(y)为特征y在潜在空间Z的概率密度，Y为特征空间，p
Z
(z)为潜在空间Z的概率密度，为的雅可比行列式，z为似然估计值。
[0032]可选地，所述自注意力标准化流网络模型在训练时采用的损失函数为：
[0033][0034]其中，为损失函数，为似然估计值z的L2正则项。
[0035]可选地，步骤S5具体包括：
[0036]根据步骤S4估计的概率密度计算缺陷分数；
[0037]根据缺陷分数确定布料服饰图像的缺陷检测结果。
[0038]可选地，根据步骤S4估计的概率密度计算缺陷分数的计算公式为：
[0039][0040]其中，τ(x)为缺陷分数，为，x为原始布料服饰图像，T
i
(x)为步骤S2处理后的布料服饰图像，f
ex
为对步骤S2处理后的布料服饰图像进行特征提取的映射函数，f
NF
为自注意力标准化流网络模型的映射函数，p
Z
为似然估计值z的概率密度函数。
[0041]可选地，根据缺陷分数确定布料服饰图像的缺陷检测结果的决策公式为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据增强与标准化流的图像缺陷检测方法，其特征在于，包括以下步骤：S1、获取原始布料服饰图像；S2、对步骤S1获取的原始布料服饰图像进行图像增强处理；S3、对步骤S2处理后的布料服饰图像进行特征提取，得到不同尺度的特征图像；S4、根据步骤S3得到的不同尺度的特征图像，采用自注意力标准化流网络模型估计特征在潜在空间的概率密度；S5、根据步骤S4估计的概率密度确定布料服饰图像的缺陷检测结果。2.根据权利要求1所述的一种基于数据增强与标准化流的图像缺陷检测方法，其特征在于，步骤S4中自注意力标准化流网络模型具体包括：多块堆叠的融合自注意力机制的仿射耦合块，通过交替堆叠仿射耦合块和通道交换层对不同尺度的特征图像进行从随机噪声向量到目标分布的可逆变换。3.根据权利要求2所述的一种基于数据增强与标准化流的图像缺陷检测方法，其特征在于，所述融合自注意力机制的仿射耦合块具体包括：特征分割层、第一自注意力网络层、第一指数化层、第二自注意力网络层、第二指数化层和特征拼接层；所述特征分割层用于将输入的特征图像分割为第一特征图像和第二特征图像；所述第一自注意力网络层用于对输入的第一特征图像进行非线性变换，得到第一变换特征图像和第二变换特征图像；所述第一指数化层用于对输入的第二变换特征图像进行指数化处理，得到第一指数化特征图像；所述第二特征图像与第一指数化特征图像进行逐元素乘积后与第一变换特征图像进行拼接，得到第二输出特征图像；所述第二自注意力网络层用于对输入的第二输出特征图像进行非线性变换，得到第三变换特征图像和第四变换特征图像；所述第二指数化层用于对输入的第三变换特征图像进行指数化处理，得到第二指数化特征图像；所述第一特征图像与第二指数化特征图像进行逐元素乘积后与第四变换特征图像进行拼接，得到第一输出特征图像；所述特征拼接层用于将第一输出特征图像和第二输出特征图像进行拼接，得到最终的输出特征图像。4.根据权利要求3所述的一种基于数据增强与标准化流的图像缺陷检测方法，其特征在于，所述自注意力标准化流网络模型估计...

【专利技术属性】
技术研发人员：饶云波，周望，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：