【技术实现步骤摘要】
本专利技术涉及异常检测，尤其涉及一种产品表面异常检测方法及终端。
技术介绍
1、基于人工智能（ai）的图像异常检测方法，具有广泛的应用范围，包括医学成像和工业检测。以工业检测为例，可以用于检测各种材质的产品、工业品、零件表面的异常，例如划痕、裂纹、脏污和形变等问题，可以帮助提高生产中的质量控制和安全性等。
2、目前ai图像异常检测方法主要有以下四种：
3、一是基于监督学习的异常检测。使用通用的分类、检测或分割算法，基于足够的、有标注异常的样本数据训练后，可以达到较好的效果。
4、二是基于知识蒸馏的学生-教师模型方法。首先用正常样本和异常样本训练一个教师网络，然后通过蒸馏教师网络来训练一个学生网络，训练学生网络仅使用正常样本。因为学生没有接受过异常样本的训练，所以可以通过比较教师和学生的输出之间的距离来检测异常。
5、三是基于特征空间的异常值检测。在预训练和冻结的卷积神经网络（cnn）的特征空间中应用离群值检测和密度估计方法。将特征向量映射到输入像素，则将其异常值分配给相应的像素，生成像素异常值的2d异常图。
6、四是基于自动编码器和生成对抗网络（gan）等生成式模型的重建方法。生成式模型在正常样本上训练，使模型可以重建正常图像，但是不能准确重建异常图像，通过比较重建和输入图像来检测异常。
7、但以上四种方案存在着不同的问题，即：第一种方法依赖于大量有标注的异常样本数据来训练模型，但在实际使用场景中，通常很难获取到大量的异常样本数据，数据量不足则无法取得较好的
8、第二种方法通常也需要大量的训练数据，以确保良好的模型性能。而且，教师网络的构建和训练可能需要一定的计算和时间成本，特别是在大规模数据集上，这对部署和实际应用造成一定的挑战。
9、第三种方法一般需要创建内存库，在训练大型数据集时需要高成本的计算和复杂的架构，此外，其定位的缺陷分辨率较低，通常为十六分之一甚至更低，容易漏检较小的缺陷，极大地限制了实际工业应用。
10、第四种方法的效果受图像重建效果的影响，常出现由正常图像的不准确重建引起的假阳性检测。图像重建是一个不适定逆问题，模型难以准确重建复杂的细节，因此这种方法只能用在纹理单一的目标场景。
11、另外，这四种方法都只在训练数据含有目标种类的情况下有效，当目标发生变化，比如针对同一产品更换外包装，包装的颜色、图案发生变化时，检测性能会显著下降。因此，在目标品类繁多或是目标表面经常变化的使用场景，这些算法需要针对每个品类都训练模型，或者每当目标表面发生变化时都需要更新模型，重新训练。算法维护的工作量很大，模型新增和更新会花费很多时间，需要较多的人力和时间成本，此外，在工业生产中，流水线无法停下来等待模型的训练和更新，在实际应用中存在较多限制。
技术实现思路
1、本专利技术所要解决的技术问题是：提供一种产品表面异常检测方法及终端，能够提高产品表面异常检测的适用性。
2、为了解决上述技术问题，本专利技术采用的技术方案为：
3、一种产品表面异常检测方法，包括步骤：
4、采集待检测产品表面的最终异常图像，所述最终异常图像包括在正常图像上绘制异常得到的仿真异常图像；
5、去除多模态预训练模型中的图像解码器和文本解码器，并将特征映射模型加入所述多模态预训练模型，得到改进后的多模态预训练模型；
6、利用所述最终异常图像对所述改进后的多模态预训练模型进行训练，得到异常检测模型；
7、利用所述异常检测模型对所述待检测产品表面进行检测，得到检测结果。
8、为了解决上述技术问题，本专利技术采用的另一种技术方案为：
9、一种产品表面异常检测终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
10、采集待检测产品表面的最终异常图像，所述最终异常图像包括在正常图像上绘制异常得到的仿真异常图像；
11、去除多模态预训练模型中的图像解码器和文本解码器，并将特征映射模型加入所述多模态预训练模型，得到改进后的多模态预训练模型；
12、利用所述最终异常图像对所述改进后的多模态预训练模型进行训练，得到异常检测模型；
13、利用所述异常检测模型对所述待检测产品表面进行检测，得到检测结果。
14、本专利技术的有益效果在于：采集待检测产品表面的最终异常图像，去除多模态预训练模型中的图像解码器和文本解码器，并将特征映射模型加入多模态预训练模型，得到改进后的多模态预训练模型，利用最终异常图像对改进后的多模态预训练模型进行训练，得到异常检测模型，利用异常检测模型对待检测产品表面进行检测，在模型中引入了特征映射模块并去除多余部分，使得原始的多模态预训练模型可以用于产品表面的异常检测，使用多模态预训练模型作为异常检测模型基础，仅需要少量异常样本的训练，能提高仿真异常图像训练的效果，且具有零样本迁移能力，在一个场景下训练好的模型可以迁移到结构相同、表面纹理、图案或颜色变化的其他场景下使用，从而提高了产品表面异常检测的适用性。
本文档来自技高网...【技术保护点】
1.一种产品表面异常检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种产品表面异常检测方法，其特征在于，所述采集待检测产品表面的最终异常图像包括：
3.根据权利要求1所述的一种产品表面异常检测方法，其特征在于，所述采集待检测产品表面的最终异常图像包括：
4.根据权利要求1所述的一种产品表面异常检测方法，其特征在于，所述利用所述最终异常图像对所述改进后的多模态预训练模型进行训练，得到异常检测模型包括：
5.根据权利要求4所述的一种产品表面异常检测方法，其特征在于，所述使用所述训练集和所述测试集对所述改进后的多模态预训练模型进行训练，得到异常检测模型包括：
6.一种产品表面异常检测终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
7.根据权利要求6所述的一种产品表面异常检测终端，其特征在于，所述采集待检测产品表面的最终异常图像包括：
8.根据权利要求6所述的一种产品表面异常检测终端，其特征在于，所述采集待检
9.根据权利要求6所述的一种产品表面异常检测终端，其特征在于，所述利用所述最终异常图像对所述改进后的多模态预训练模型进行训练，得到异常检测模型包括：
10.根据权利要求9所述的一种产品表面异常检测终端，其特征在于，所述使用所述训练集和所述测试集对所述改进后的多模态预训练模型进行训练，得到异常检测模型包括：
...【技术特征摘要】
1.一种产品表面异常检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种产品表面异常检测方法，其特征在于，所述采集待检测产品表面的最终异常图像包括：
3.根据权利要求1所述的一种产品表面异常检测方法，其特征在于，所述采集待检测产品表面的最终异常图像包括：
4.根据权利要求1所述的一种产品表面异常检测方法，其特征在于，所述利用所述最终异常图像对所述改进后的多模态预训练模型进行训练，得到异常检测模型包括：
5.根据权利要求4所述的一种产品表面异常检测方法，其特征在于，所述使用所述训练集和所述测试集对所述改进后的多模态预训练模型进行训练，得到异常检测模型包括：
6.一种产品表面异常检测终端，包括存储器、处理...
【专利技术属性】
技术研发人员：邓炜，浦佳祺，高钦泉，童同，周远波，
申请(专利权)人：福建帝视科技集团有限公司，
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。