【技术实现步骤摘要】
本专利技术涉及盖板玻璃检测，尤其是涉及一种玻璃盖板无监督小样本缺陷检测方法。
技术介绍
1、手机玻璃盖板是手机屏幕重要组成部分，具有保护触摸屏、保证透光率等功能。在制造过程中需经过玻璃切割、粗车、雕刻、抛光修边、电镀、丝印、硬化、打磨、清洗、封装等十多个加工工艺才能完成，由于生产过程复杂，再加上原材料特性、加工设备、人工操作及运输等复杂因素的影响，不可避免会在手机玻璃盖板表面出现划伤、崩边、凹凸点、少墨、溢墨、麻点、毛丝、灰尘等缺陷。因此，在生产过程中实时进行产品缺陷检测，提供产品质量保证技术显得十分必要。
2、目前，对智能手机玻璃盖板表面缺陷检测着重以人工目视法为主，但人工检测效率低、实时性差、准确度不稳定、劳动强度大，且人工成本逐年增加，对工业生产不利；而人眼需在黑暗封闭车间中通过强光照射进行检测，极易导致视力模糊、水肿等疾病，检测效果不稳定，对人眼的危害也非常大。因此利用机器视觉系统进行质量控制，可以很大程度上解放人工劳动力。但是，相比于一般的目标检测任务,工业缺陷检测面临着缺陷样本匮乏、缺陷的可视性低、形状不规则、检测正确率有限、实时性问题、鲁棒性问题等诸多难点。
3、基于深度学习的检测算法，以其优秀的特征学习和特征表达能力，在提高缺陷的检测效率、精度等方面具有明显的优势，且正在盖板玻璃缺陷检测中逐渐取得较好的效果。但是现有的深度学习模型主要基于有监督学习模式，不利于工业现场快速高效训练模型的需求；而基于无监督学习模型的方法又大多没有考虑在少样本条件下小缺陷目标的检出性能，因此，在无监督少样本条件
技术实现思路
1、本专利技术的目的是提供一种玻璃盖板无监督小样本缺陷检测方法，通过有机结合无监督学习、少样本学习、小缺陷检测及增量学习技术，形成一个训练简单、稳定、对小缺陷检出能力强、检测速度快、可进行增量学习的模型，提高了检测精度和检测效率，满足了盖板玻璃生产现场自动检测的需要。
2、为实现上述目的，本专利技术采用了如下技术方案：
3、一种玻璃盖板无监督小样本缺陷检测方法，包括以下步骤：
4、s1、获取手机玻璃盖板的图像数据；
5、s2、构建基于无监督学习的玻璃盖板缺陷检测模型：以u-net和swin transformer作为主干网络进行特征提取，得到特征提取网络，建立特征统计模型；
6、s3、检测模型的少样本学习：通过特征提取网络，先对正常样本进行特征抽出，进而通过强判别特征分析进行特征选择，获得显着性特征；再对显着性特征进行自适应扩充，并对描述正常样本特征分布的归一化流网络进行训练；
7、s4、检测模型的小缺陷检测：包括采用特征对齐方法的训练阶段以及采用特征对齐、特征融合方法的检测阶段，特征融合包括深层浅层特征融合以及局部全局特征融合；
8、s5、优化检测模型：基于样本增量学习进行自适应动态可扩展网络建模；
9、s6、采集现场图像数据持续对模型进行优化和验证。
10、优选的，构建缺陷检测模型具体包括：
11、设计特征提取网络：基于大型公开数据集的网络预训练方法在少样本训练时进行正常样本的特征抽出，同时进行强判别特征的分析、训练和检测时的特征对齐、少样本条件下归一化流网络的训练；
12、建立特征统计模型：基于归一化流网络和gaussian分布，在少样本条件下将样本特征抽出，通过仿射变换、分块的方式进行非生成式扩增，进而增加特征数据量，然后再训练归一化网络。
13、优选的，步骤s3中：
14、强判别特征分析：用于减少对检测任务没有影响的特征向量以缩短训练及检测时间；通过图像梯度特征选择深度特征的方式进行分析，具体为：首先筛选前景区域，检查目标对象，再对前景区域灰度变化平滑位置的特征向量进行滤除，从而选出对检测影响较大的灰度变化较大位置的显着性特征向量；
15、归一化流网络训练：对少样本特征向量数据进行数据扩增，数据扩增采用非生成式方式，在抽出样本图像特征后，对特征图进行仿射变换以增加数据量，并将抽出图像特征图由原图位置变化到目标图像位置，再利用扩增后的特征图构建和训练正常样本图像特征分布的统计模型。
16、优选的，步骤s4中：
17、特征对齐：通过由粗到精的方式，先在图像层面进行图像粗对位，再在深层特征进行粗对位，最后在浅层特征层进行精确定位；其中，图像层级的粗对位，其目标是正则化各正常图像的像素分布，将一批图像中的所有图像定位到相近方向和位置，对输入图像进行回归仿射变换；
18、特征融合：用于进一步提高小缺陷检出率；包括三种方式：cnn浅层特征与深层特征融合、cnn浅层特征与transformer特征融合、cnn抽出图像特征分块送入transformer编码器进行编码。
19、优选的，步骤s5中：
20、建模过程中通过采用network sliming策略裁剪模型的冗余卷积核，进而使模型高速化；
21、在样本增量学习中重新训练统计模型网络，具体为：采用之前训练好的归一化流网络生成相应个数的特征向量，用生成的特征向量集和新增样本的特征向量集一起重新训练归一化网络。
22、因此，本专利技术采用上述一种玻璃盖板无监督小样本缺陷检测方法，实现的有益效果为：
23、1、通过研究基于无监督少样本学习智能检测框架，提高了盖板玻璃缺陷检测模型的训练效率及检测精度，解决了目前基于视觉的盖板玻璃缺陷检测模型中有监督及无监督模型样本收集难、标注成本高、训练时间长、小缺陷检出困难等问题。
24、2、基于大型公开数据集的预训练模型进行图像特征抽出，并通过对正常样本抽出特征进行强判别特征分析、旋转及偏移、分片等方法对特征数据进行扩充以利用正常样本特征数据建立统计模型，解决了无监督检测模型中少样本学习数据量不足的问题。
25、3、通过研究基于特征对齐、浅层与深层特征融合、边缘特征、基于tran sformer的attention rollout缺陷定位算法，以提高小缺陷检出性能及缺陷定位精度，解决了无监督少样本学习中小缺陷检出困难的问题。
26、4、针对不断采集增加的盖板玻璃图像数据，研究基于样本增量的自适应动态可扩展深度网络建模，以增量学习的方式缓解少样本问题，并且能持续优化检测模型，提升其检测的准确性，契合工厂现场实际情况与需求。
27、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种玻璃盖板无监督小样本缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种玻璃盖板无监督小样本缺陷检测方法，其特征在于，构建缺陷检测模型具体包括：
3.根据权利要求2所述的一种玻璃盖板无监督小样本缺陷检测方法，其特征在于，步骤S3中：
4.根据权利要求3所述的一种玻璃盖板无监督小样本缺陷检测方法，其特征在于，步骤S4中：
5.根据权利要求4所述的一种玻璃盖板无监督小样本缺陷检测方法，其特征在于，步骤S5中：
【技术特征摘要】
1.一种玻璃盖板无监督小样本缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种玻璃盖板无监督小样本缺陷检测方法，其特征在于，构建缺陷检测模型具体包括：
3.根据权利要求2所述的一种玻璃盖板无监督小样...
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。