【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及缺陷检测方法、设备及计算机可读存储介质。
技术介绍
1、工业产品的生产制造常伴随着各种缺陷的产生，如污染、异物、刮伤、氧化和孔洞等，上述缺陷可能会对产品的性能和寿命产生一定影响，故需要定期对产品进行缺陷检测。
2、在相关技术中，通常采用深度学习的方法进行缺陷检测，具体过程为，选择适合的单分支普通分割模型，然后使用训练集对选择的模型进行训练，在训练过程中，根据损失函数来调整模型的权重和参数，使其能够准确地检测出产品缺陷，最终输出训练好的模型。
3、然而，在实际的缺陷检测过程中，经常会出现超低对比度的缺陷，针对此类微小缺陷，单分支普通分割模型局限于自身的简单结构，无法充分捕捉，即对缺陷的敏感度不够。
4、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供一种缺陷检测方法、设备及计算机可读存储介质，旨在解决缺陷检测的敏感度不够的技术问题。
2、为实现上述目的，本专利技术提供一种缺陷检测方法，所述缺陷检测方法包括以下步骤：
3、获取待检测的缺陷图和对应的模板图；
4、将所述缺陷图和所述模板图输入训练好的双分支孪生模型，确定所述缺陷图和所述模板图的缺陷特征之间的对比度；
5、若所述对比度属于预设值域，则对所述缺陷图进行增强，并输出增强后的缺陷图。
6、可选地，所述将所述缺陷图和所述模板图输入训
7、将所述缺陷图和所述模板图分别输入左右分支的卷积层，经卷积操作，得到对应的缺陷特征图和模板特征图；
8、将所述缺陷特征图和所述模板特征图分别输入批归一化层，经归一化处理，得到满足标准正态分布的缺陷特征图和模板特征图；
9、将所述缺陷特征图和所述模板特征图分别输入激活函数层，对每个特征图的每个元素进行非线性变换；
10、比较所述缺陷特征图和所述模板特征图，并根据比较结果确定缺陷特征的对比度。
11、可选地，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤包括：
12、确定所述缺陷图和所述模板图之间的差异特征；
13、对所述差异特征进行全局最大池化操作，得到最大差异特征，并对所述差异特征进行全局平均池化操作，得到平均差异特征；
14、分别对所述最大差异特征和所述平均差异特征进行卷积操作；
15、综合卷积后的最大差异特征、平均差异特征和所述差异特征，并乘以各自对应的放大系数，得到综合缺陷图和综合模板图；
16、对所述综合缺陷图和所述综合模板图进行卷积后，逐像素点进行相乘，输出增强后的缺陷图。
17、可选地，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤之后，包括：
18、将所述缺陷图的分辨率调整为目标分辨率；
19、根据双线性插值方法，在调整后的缺陷图中，确定与目标像素近邻的四个像素的坐标，以及对应的权重；
20、根据所述坐标和权重，计算所述目标像素的插值坐标；
21、汇总若干所述目标像素的插值坐标，经卷积操作后，重构得到新的缺陷图。
22、可选地，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤之后，包括：
23、计算所述缺陷图中各像素点的指数值，并汇总得到所有像素点的总指数值；
24、将所述指数值除以所述总指数值，得到各像素点的概率分布情况；
25、汇总各所述像素点的概率分布情况，生成缺陷二值图。
26、可选地，所述获取待检测的缺陷图和对应的模板图的步骤之前，包括：
27、获取训练模板图和训练缺陷图，并接收所述训练缺陷图对应的标注；
28、将所述训练缺陷图和所述训练模板图输入构建好的双分支孪生模型，确定所述训练缺陷图和所述训练模板图的缺陷特征之间的对比度；
29、若所述对比度属于预设值域，则对所述训练缺陷图进行增强，并对增强后的训练缺陷图进行上采样；
30、根据上采样后的训练缺陷图和所述标注，计算损失函数，并根据所述损失函数对双分支孪生模型进行调整，直至达到最小损失函数。
31、可选地，所述获取训练模板图和训练缺陷图的步骤包括：
32、通过光学系统分别对标准产品和训练样品进行采集，得到原始模板图和原始缺陷图；
33、对所述原始模板图和所述原始缺陷图进行灰度化操作，得到对应的灰度模板图和灰度缺陷图；
34、在所述灰度模板图中选定一个参考窗口，将所述参考窗口与所述灰度缺陷图中所有候选窗口进行匹配，并根据匹配率最高的候选窗口和所述参考窗口之间的位置关系，对所述原始模板图和所述原始缺陷图进行配准；
35、将配准后的原始模板图和原始缺陷图按对存储，并按比例挑选出训练模板图和训练缺陷图；
36、通过几何变换和属性变换，对所述训练缺陷图进行数据增广；
37、计算所述训练缺陷图和所述训练模块图的均值和标准差，并根据所述均值和所述标准差，得到标准的训练缺陷图和训练模块图。
38、可选地，所述根据上采样后的训练缺陷图和所述标注，计算损失函数，并根据所述损失函数对双分支孪生模型进行调整，直至达到最小损失函数的步骤包括：
39、通过归一化指数函数，计算上采样后的缺陷图的置信度；
40、根据所有所述训练缺陷图的类别分布情况，确定平衡参数，以及根据所述训练缺陷图的难分易分情况，确定调节因子；
41、根据所述置信度、所述平衡参数和所述调节因子，计算损失函数。
42、此外，为实现上述目的，本专利技术还提供一种缺陷检测设备，所述缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序配置为实现所述的缺陷检测方法的步骤。
43、此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有缺陷检测程序，所述缺陷检测程序被处理器执行时实现所述的缺陷检测方法的步骤。
44、在本专利技术提供的一个技术方案中，采用训练好的双分支孪生模型，分别提取出缺陷图和模板图的缺陷特征，然后根据两组缺陷特征的对比度，筛选出存在超低对比度缺陷的缺陷图，并对其进行增强处理。双分支孪生模型通过同时学习两个分支，每个分支分别处理不同图像的特征信息，这样可以更好地捕捉图像中的细节和上下文信息，提高特征的丰富性和表达能力，以更好地区分图像中的缺陷区域并提取相应的特征，进而提高超低对比度缺陷的检测准确率。在此基础上，通过图像增强处理，使得超低对比度缺陷在缺陷图中更加明显和突出，以便更容易被人眼或计算机视觉算法检测到，有助于后续的缺陷原因分析。
本文档来自技高网...【技术保护点】
1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括以下步骤：
2.如权利要求1所述的缺陷检测方法，其特征在于，所述将所述缺陷图和所述模板图输入训练好的双分支孪生模型，确定所述缺陷图和所述模板图的缺陷特征之间的对比度的步骤包括：
3.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤包括：
4.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤之后，包括：
5.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤之后，包括：
6.如权利要求1-5任一项所述的缺陷检测方法，其特征在于，所述获取待检测的缺陷图和对应的模板图的步骤之前，包括：
7.如权利要求6所述的缺陷检测方法，其特征在于，所述获取训练模板图和训练缺陷图的步骤包括：
8.如权利要求6所述的缺陷检测方法，其特征在于，所述根据上采样后的训练缺陷图和所述标注，计算损失函数，并根据所述损失函数对双分支孪生模型
9.一种缺陷检测设备，其特征在于，所述缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序配置为实现如权利要求1至8中任一项所述的缺陷检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有缺陷检测程序，所述缺陷检测程序被处理器执行时实现如权利要求1至8任一项所述的缺陷检测方法的步骤。
...【技术特征摘要】
1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括以下步骤：
2.如权利要求1所述的缺陷检测方法，其特征在于，所述将所述缺陷图和所述模板图输入训练好的双分支孪生模型，确定所述缺陷图和所述模板图的缺陷特征之间的对比度的步骤包括：
3.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤包括：
4.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤之后，包括：
5.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述缺陷图进行增强，并输出增强后的缺陷图的步骤之后，包括：
6.如权利要求1-5任一项所述的缺陷检测方法，其特征在于，所述获取待检测的缺陷图和对应的模...
【专利技术属性】
技术研发人员：吴雨培，谢阳，
申请(专利权)人：北京阿丘科技有限公司，
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。