一种基于无监督异常检测的产品表观缺陷检测方法技术

本发明专利技术公开了一种基于无监督异常检测的产品表观缺陷检测方法，所述方法，包括：步骤1：收集整理正常样本集并对其进行预处理和对齐，通过预训练的卷积神经网络获取正常样本图像特征信息，从而构建起源特征空间；步骤2：从所述源特征空间中提取图像特征，经由自适应存储库压缩存储数据表征，使得图像背景复杂性的影响降低；步骤3：通过特征映射网络将样本特征从所述源特征空间重新映射到新的目标特征空间，其中映射过程受存储库中的压缩后特征影响；步骤4：将所述目标特征空间中的样本特征与存储库中的压缩特征进行高维判别，得到待测样本图像中可能出现的异常区域的异常位置和异常程度，从而实现无监督环境下对工业产品图像的缺陷检测，同时能够滤除复杂产品图像的背景干扰。扰。扰。

【技术实现步骤摘要】
一种基于无监督异常检测的产品表观缺陷检测方法


[0001]本专利技术涉及图像检测
，具体涉及一种基于无监督异常检测的产品表观缺陷检测方法。

技术介绍

[0002]随着智能工业化的发展，工业产品生产和质量检测环节亟待更加高效实用的应对方法。无监督异常检测算法在产品表面缺陷检测领域中有重要的作用。在实际工业生产和质检场景中，异常样本难以收集以及未知情况时常发生，促使无监督异常检测方法被广泛地研究。它致力于解决以往有监督的方法，如目标检测等难以规避或解决的问题，即包括实际生产环境中异常样本供给难度大，未知类型缺陷种类多，以及人工标注成本高等。
[0003]图像异常检测任务可分为异常检测和异常定位任务，根据实际工业产品质量检测要求，它们分别给产品质检环节提供着有效的针对性信息。其中，异常检测任务只需要分辨当前样本是否属于异常情况，好让机器决定是否需要对当前样本执行剔除操作，它本质上属于二分类任务。而异常定位任务则可以看成是像素级的异常检测任务，是对每个像素进行分辨，它需要根据异常分数的大小划分阈值从而分割出样本中具有异常特征的子区域，所以也被叫做异常分割任务。所以，目前图像异常检测任务主要都以无监督的方法实现，基于重建的方法、基于嵌入的方法和基于合成的方法是当前的研究主流。

技术实现思路

[0004]本专利技术人针对基于无监督异常检测实现产品表面缺陷检测方法研究时，发现可以通过对复杂的产品表面图像进行数据压缩，以压缩并存储的图像特征构建目标特征空间，在高维特征空间中过滤不必要的冗余信息并进行特征判别，达到更好的检测和定位效果。
[0005]为了实现上述目的，本专利技术提供的技术方案如下：
[0006]步骤1：获取正常样本数据，对数据进行预处理，并准备少量异常样本用于测试；
[0007]步骤11：搭建图像采集环境，模拟真实生产环境可能的打光条件以及物理场景，尽可能使深度学习网络模型学习到多样化样本特征，增强模型鲁棒性。采用工业相机拍摄产品表面清晰图像；
[0008]步骤12：获取真实产品样本，其中要求数量中等的正常样本以供无监督算法训练，以及少量的异常样本也即缺陷产品对方法进行验证；
[0009]步骤13：有样本都需要经过图像算法处理，先经过高斯滤波、CLAE均衡化等方法平衡产品表面不同的光照条件，避免如铝箔，锡纸等高反光材料对图像特征造成非预期的影响；之后通过超分辨率上采样将图像细节以图像维度突显出来，以应对形态狭小或结构相似的缺陷，以及方便后续的处理进行；最后，利用仿射变换等方法进行特征对齐，使得正常样本集获得一定先验的特征一致性；
[0010]步骤14：缺陷样本将被逐一分类，每种类型的缺陷将获得像素级的标注信息作为验证阶段的真值，并以二值图的形式存在。
[0011]步骤2：预训练神经网络提取正常样本图像特征，以提取得到的正常样本集特征分布构成源特征空间；
[0012]步骤3：从所述源特征空间中提取图像特征，经由自适应存储库压缩存储数据表征；
[0013]步骤4：通过特征映射网络将样本特征从所述源特征空间重新映射到新的目标特征空间；
[0014]步骤5：在高维特征空间中将目标特征空间中的样本特征与存储库中的压缩特征进行判别，生成待测样本图像中可能出现的异常区域的异常分数图，实现缺陷的检测和定位。
[0015]本申请方法具有如下有益效果：在实际工业生产质检场景中，产品图像往往是复杂多变的。异常检测框架中虽然只需要利用正常样本，但它们大多都依赖于样本的简单一致性。本申请利用无监督环境中有效的数据压缩机制设计了一种基于无监督异常检测的产品表观缺陷检测方法，该方法能够在复杂背景下的数据集上取得了更好的效果，克服了背景复杂性带来的挑战。该方法改进了工业产品表面异常的检测和定位，即使在缺乏具有简单和一致特征的正常样本的情况下也能有较好的检测和定位效果。
附图说明
[0016]下面对本专利技术中所需要使用的附图进行介绍。
[0017]图1为滤除冗余背景干扰的缺陷检测方法技术路线；
[0018]图2是采集到的工业产品图像样例；
[0019]图3是存储库的状态更新分数图；
[0020]图4为滤除复杂背景的无监督缺陷检测方法流程图。
具体实施方式
[0021]为了对本专利技术的技术方案更加清晰的说明，下面将基于实施例中的附图对本专利技术进行详细地描述此外，此处描述的实施例仅用以解释本专利技术，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]目前在实际工业生产质检场景中，产品图像往往是复杂多变的。异常检测框架中虽然只需要利用正常样本，但它们大多都依赖于样本的简单一致性，从而使得网络对于缺陷的检测性能更加稳定。而当应用到实际情况中时，图像的前景(缺陷区域)与背景(非缺陷区域)如果较为复杂且区分度不高，就极易导致误检，模型性能会受到极大影响。
[0023]常见的异常检测方法有利用到特征映射的方法，构建目标特征空间，进而实现异常的判别。由于该方法依赖于目标特征空间的紧凑性，在复杂工业场景中，正常样本之间本身就存在一定的差异性，由复杂的正常图像样本构建的特征空间会变得非常松散，边界难以区分。
[0024]实施例一
[0025]如图1所示，本专利技术实施例提供一种基于无监督异常检测的产品表观缺陷检测方法，包括下述步骤：
[0026]步骤1：获取正常样本数据，对数据进行预处理，并准备少量异常样本用于测试；
[0027]步骤2：预训练神经网络提取正常样本图像特征，以提取得到的正常样本集特征分布构成源特征空间；
[0028]步骤3：从所述源特征空间中提取图像特征，经由自适应存储库压缩存储数据表征；
[0029]步骤4：通过特征映射网络将样本特征从所述源特征空间重新映射到新的目标特征空间；
[0030]步骤5：在高维特征空间中将目标特征空间中的样本特征与存储库中的压缩特征进行判别，生成待测样本图像中可能出现的异常区域的异常分数图，实现缺陷的检测和定位。
[0031]在上述的步骤1中，本实例的方法具体包括如下步骤：
[0032]步骤11：搭建图像采集环境，模拟真实生产环境可能的打光条件以及物理场景，尽可能使深度学习网络模型学习到多样化样本特征，增强模型鲁棒性。采用工业相机拍摄产品表面清晰图像；
[0033]步骤12：获取真实产品样本，其中要求数量中等的正常样本以供无监督算法训练，以及少量的异常样本也即缺陷产品对方法进行验证；
[0034]步骤13：所有样本都需要经过图像算法处理，先经过高斯滤波、CLAE均衡化等方法平衡产品表面不同的光照条件，避免如铝箔，锡纸等高反光材料对图像特征造成非预期的影响；之后通过超分辨率上采样将图像细节以图像维度突显出来，以应对形态狭小或结构相似的缺陷，以及方便后续的处理进行；最后，利用仿射变换等方法进行特征对齐，使得正常样本集获得一定先验的特征一致性；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督异常检测的产品表观缺陷检测方法，其特征在于，包括下述步骤：步骤1：获取正常样本数据，对数据进行预处理，并准备少量异常样本用于测试；步骤2：预训练神经网络提取正常样本图像特征，以提取得到的正常样本集特征分布构成源特征空间；步骤3：从所述源特征空间中提取图像特征，经由自适应存储库压缩存储数据表征；步骤4：通过特征映射网络将样本特征从所述源特征空间重新映射到新的目标特征空间；步骤5：在高维特征空间中将目标特征空间中的样本特征与存储库中的压缩特征进行判别，生成待测样本图像中可能出现的异常区域的异常分数图，实现缺陷的检测和定位。2.根据权利要求1所述的一种基于无监督异常检测的产品表观缺陷检测方法，其特征在于，所述步骤1具体包括：步骤11：搭建图像采集环境，模拟真实生产环境可能的打光条件以及物理场景，尽可能使深度学习网络模型学习到多样化样本特征，增强模型鲁棒性。采用工业相机拍摄产品表面清晰图像；步骤12：获取真实产品样本，其中要求数量中等的正常样本以供无监督算法训练，以及少量的异常样本也即缺陷产品对方法进行验证；步骤13：所有样本都需要经过图像算法处理，先经过高斯滤波、CLAE均衡化等方法平衡产品表面不同的光照条件，避免如铝箔，锡纸等高反光材料对图像特征造成非预期的影响；之后通过超分辨率上采样将图像细节以图像维度突显出来，以应对形态狭小或结构相似的缺陷，以及方便后续的处理进行；最后，利用仿射变换等方法进行特征对齐，使得正常样本集获得一定先验的特征一致性；步骤14：缺陷样本将被逐一分类，每种类型的缺陷将获得像素级的标注信息作为验证阶段的真值，并以二值图的形式存在。3.根据权利要求1所述的一种基于无监督异常检测的产品表观缺陷检测方法，其特征在于，所述步骤2具体包括：步骤21：利用在大数据集ImageNet上预训练的深度神经网络，对正常样本集进行特征提取，此处正常样本集也即训练集，记为而待测试的缺陷样本记为而待测试的缺陷样本记为而待测试的缺陷样本记为而待测试的缺陷样本记为本专利认为，深度神经网络随着层数的不断加深，通过在庞大的数据集上进行预训练学习到的特征提取能力要比从一开始训练的其他方法更好，并且得到的特征分布更为集中。本专利利用这一点，高效地提取图像特征，避免神经网络参数优化的繁琐和复杂过程。步骤22：每一张图像都会经过这两个预训练网络以提取特征，形成源特征空间，该特征空间的特征分布来自于ImageNet，所提取的特征都会被归一化处理，我们将其定义为feature norm,公式具体表示如下:其中，P
s
以及P
l
代表两个不同大小的预训练特征提取网络，以使得网络在后续过程中有两种差异性的特征表达。x
i
在网络训练阶段来自于测试阶段则来自于
步骤23：...

【专利技术属性】
技术研发人员：石敏，范成豪，王素琴，朱登明，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：