【技术实现步骤摘要】
本申请涉及缺陷检测，例如涉及一种缺陷检测模型的构建方法、缺陷检测方法、装置及设备。
技术介绍
1、缺陷检测一直以来都是研究的热点，广泛的存在于各种工业产品的生产当中，例如印刷行业，玻璃制造，纺织工业等。为了代替人工检查，相关技术中提出了基于深度学习算法的缺陷检测方法以实现自动在产品表面识别并定位缺陷。
2、具体地，基于深度学习算法的缺陷检测方法采用大量带有缺陷的图片数据进行训练，使深度神经网络学习到缺陷的深层和浅层特征，进而实现缺陷检测。但是，其对于和产品表面正常区域较为相似的缺陷区域，易将该缺陷区域视为正常区域而造成漏检；对于和缺陷特征较为相似产品表面正常区域，易将该正常区域视为缺陷区域而造成过检。因此，简单的基于缺陷特征的学习和识别，无法真正理解产品缺陷区域和正常区域之间的区别，导致漏检率和/或过检率较高，缺陷检测精确度较低。
技术实现思路
1、为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
2、本公开实施例提供了一种缺陷检测模型的构建方法、缺陷检测方法、装置及设备，以降低产品缺陷检测过程中的漏检率和/或过检率，提升缺陷检测精确度。
3、在一些实施例中，提出了一种缺陷检测模型的构建方法，包括：采用样本数据对预先构建好的重建网络模型进行训练，重建网络模型用于输出重建后的正常图像和异常图像；采用重建网络模型输出的正常图像
4、可选地，预先构建好的重建网络模型包括一个编码器和两个解码器，两个解码器共同对编码器输出的待解码数据分别进行解码。
5、可选地，重建网络模型包括一个编码器和两个解码器，两个解码器分别为第一解码器和第二解码器；样本数据包括异常样本和正常样本；重建网络模型按照如下方式输出正常图像和/或异常图像：将异常样本输入至编码器，获得异常样本的特征图；将异常样本的特征图和正常样本输入第一解码器，输出重建后的正常图像；和/或，将异常样本的特征图输入第二解码器，输出重建后的异常图像；其中，正常图像为无缺陷图像，异常图像为缺陷图像。
6、可选地，第一解码器按照如下方式输出重建后的正常图像：利用门控单元提取正常样本的特征数据；异常样本的特征图输入第一解码器后，利用门控单元控制特征数据逐层流入第一解码器的多个上采样-卷积模块，输出重建后的正常图像。
7、可选地，采用样本数据对预先构建好的重建网络模型进行训练，包括：获取重建网络模型的图像重建损失；在图像重建损失小于或等于预设损失阈值的情况下，获得训练好的重建网络模型。
8、可选地，重建网络模型包括两个解码器，两个解码器分别为第一解码器和第二解码器；获取重建网络模型的图像重建损失，包括：获取第一解码器重建正常图像损失；获取第二解码器重建异常图像损失；计算第一解码器重建正常图像损失与第二解码器重建异常图像损失之和，获得重建网络模型的图像重建损失。
9、可选地，异常图像包括正常区域和异常区域；获取第二解码器重建异常图像损失，包括：获取正常区域重建损失；获取异常区域重建损失；计算正常区域重建损失与异常区域重建损失之和，获得第二解码器重建异常图像损失；其中，正常区域为无缺陷区域，异常区域为缺陷区域。
10、可选地，获取正常区域重建损失，包括：在e＜ae的情况下，根据原始图像和异常图像，获得正常区域重建损失；或者，在e≥ae的情况下，根据正常图像和异常图像，获得正常区域重建损失；其中，e为当前训练轮次，e为训练总轮次，a为常数。
11、可选地，0.6≤a≤0.8。
12、可选地，采用重建网络模型输出的正常图像和异常图像对判别网络模型进行训练，包括：对重建网络模型输出的正常图像和异常图像进行通道连接，获得拼接图像；利用拼接图像对判别网络模型进行训练。
13、可选地，样本数据包括异常样本和正常样本；按照如下方式生成异常样本：采用原始图像和第一生成模型，获得异常样本；和/或，按照如下方式生成正常样本：采用原始图像和第二生成模型，获得正常样本；其中，原始图像包括标准工件的图像。
14、可选地，采用原始图像和第一生成模型，获得异常样本，包括：对原始图像做增强处理，获得增强图像；将原始图像和增强图像输入至第一生成模型，获得异常样本。
15、可选地，采用原始图像和第二生成模型，获得正常样本，包括：将原始图像输入至第二生成模型，获得多个模拟正常图像；对多个模拟正常图像做均值化处理，获得正常样本。
16、在一些实施例中，提出了一种缺陷检测方法，包括：获取待检测目标的目标图像；利用上述实施例所述的缺陷检测模型，对目标图像进行缺陷检测，以获得待检测目标的缺陷掩码图；根据待检测目标的缺陷掩码图，确定待检测目标的缺陷状态。
17、在一些实施例中，提出了一种缺陷检测模型的构建装置，包括：第一训练模块，被配置为采用样本数据对预先构建好的重建网络模型进行训练；第二训练模块，被配置为采用重建网络模型输出的正常图像和异常图像对判别网络模型进行训练；网络融合模块，被配置为将训练好的重建网络模型和判别网络模型融合，获得缺陷检测模型。
18、在一些实施例中，提出了一种缺陷检测装置，包括：获取模块，被配置为获取待检测目标的目标图像；检测模块，被配置为利用缺陷检测模型，对目标图像进行缺陷检测，以获得待检测目标的缺陷掩码图；分析模块，被配置为根据待检测目标的缺陷掩码图，确定待检测目标的缺陷状态。
19、在一些实施例中，提出了一种设备，包括：处理器；和存储有程序指令的存储器，所述处理器被配置为执行上述实施例所述的缺陷检测模型的构建方法，或者，上述实施例所述的缺陷检测方法。
20、本公开实施例提供的缺陷检测模型的构建方法、缺陷检测方法、装置及设备，可以实现以下技术效果：
21、本公开实施例预先构建了重建网路模型，并采用样本数据对重建网路模型进行训练，使重建网路模型对样本数据的特征进行学习，并输出对应的正常图像和异常图像。与相关技术中使深度神经网络学习缺陷的深层和浅层特征相比，本公开实施例能够利用重建网路模型，加强对产品异常区域和正常区域之间区别的理解。再采用重建网路模型输出的正常图像和异常图像对判别网路模型进行训练。通过限定判别网路模型的输入数据为重建网路模型的输出数据，以提升重建网路模型和判别网路模型之间的适应性和关联性。进一步地，将重建网路模型和判别网路模型融合构建出缺陷检测模型，该缺陷检测模型用于产品缺陷检测。通过提升缺陷检测模型对产品异常区域和正常区域之间区别的理解能力，以及重建网路模型和判别网路模型之间的适应性和关联性，降低了利用缺陷检测模型进行产品缺陷检测过程中的漏检率和/或过检率，提升了缺陷检测精确度。
22、以上的总体描述和下文中的描述本文档来自技高网...
【技术保护点】
1.一种缺陷检测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的构建方法，其特征在于，预先构建好的重建网络模型包括一个编码器和两个解码器，两个解码器共同对编码器输出的待解码数据分别进行解码。
3.根据权利要求1或2所述的构建方法，其特征在于，重建网络模型包括一个编码器和两个解码器，两个解码器分别为第一解码器和第二解码器；样本数据包括异常样本和正常样本；重建网络模型按照如下方式输出正常图像和/或异常图像：
4.根据权利要求3所述的构建方法，其特征在于，第一解码器按照如下方式输出重建后的正常图像：
5.根据权利要求1或2所述的构建方法，其特征在于，采用样本数据对预先构建好的重建网络模型进行训练，包括：
6.根据权利要求5所述的构建方法，其特征在于，重建网络模型包括两个解码器，两个解码器分别为第一解码器和第二解码器；获取重建网络模型的图像重建损失，包括：
7.根据权利要求6所述的构建方法，其特征在于，异常图像包括正常区域和异常区域；获取第二解码器重建异常图像损失，包括：
8.根据权利要求7所
9.根据权利要求8所述的构建方法，其特征在于，0.6≤a≤0.8。
10.根据权利要求1或2所述的构建方法，其特征在于，采用重建网络模型输出的正常图像和异常图像对判别网络模型进行训练，包括：
11.根据权利要求1或2所述的构建方法，其特征在于，样本数据包括异常样本和正常样本；
12.根据权利要求11所述的构建方法，其特征在于，采用原始图像和第一生成模型，获得异常样本，包括：
13.根据权利要求11所述的构建方法，其特征在于，采用原始图像和第二生成模型，获得正常样本，包括：
14.一种缺陷检测方法，其特征在于，包括：
15.一种缺陷检测模型的构建装置，其特征在于，包括：
16.一种缺陷检测装置，其特征在于，包括：
17.一种设备，其特征在于，包括：
...【技术特征摘要】
1.一种缺陷检测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的构建方法，其特征在于，预先构建好的重建网络模型包括一个编码器和两个解码器，两个解码器共同对编码器输出的待解码数据分别进行解码。
3.根据权利要求1或2所述的构建方法，其特征在于，重建网络模型包括一个编码器和两个解码器，两个解码器分别为第一解码器和第二解码器；样本数据包括异常样本和正常样本；重建网络模型按照如下方式输出正常图像和/或异常图像：
4.根据权利要求3所述的构建方法，其特征在于，第一解码器按照如下方式输出重建后的正常图像：
5.根据权利要求1或2所述的构建方法，其特征在于，采用样本数据对预先构建好的重建网络模型进行训练，包括：
6.根据权利要求5所述的构建方法，其特征在于，重建网络模型包括两个解码器，两个解码器分别为第一解码器和第二解码器；获取重建网络模型的图像重建损失，包括：
7.根据权利要求6所述的构建方法，其特征在于，异常图像包括正常...
【专利技术属性】
技术研发人员：曲世辰，陶显，张正涛，韩建文，钟成，
申请(专利权)人：滨州魏桥国科高等技术研究院，
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。