【技术实现步骤摘要】
本专利技术涉及一种缺陷检测方法，具体涉及一种基于图像重建的无监督缺陷检测方法。
技术介绍
1、在现有传统方法主要根据已知缺陷特点，采用图像处理技术进行缺陷检测，例如，有的缺陷区域像素值明显高于正常区域，因此可以利用阈值分析实现缺陷检测。但是由于缺陷的多样性和未知性，针对不同缺陷类型往往需要不同的检测方法，并且可能无法适用于新的缺陷，还可能需要复杂的后处理过程。随着深度学习的应用，当缺陷类型已知并且有大量标记样本时，采用有监督的深度学习模型可以有效检测缺陷。一些研究人员基于u-net网络设计模型，通过多尺度特征融合来提高检测的准确性。然而这些模型的训练通常需要大量的标注数据，这在实际中很难获得。
2、因此无监督的缺陷检测方法引起了广泛重视，仅需要易于获取的正常样本用于模型训练，无需使用真实缺陷样本即可实现缺陷检测，此类方法的核心思想是重建出一个与原始图像最相似的图像与之比较，根据两者的差异性实现缺陷的检测。一些研究人员采用图像重建的方法，如基于ae利用编码器-解码器重建图，根据输入图像与重建图像的重建误差即可实现缺陷定位。但这...
【技术保护点】
1.一种基于图像重建的无监督缺陷检测方法，其特征在于，该方法包含：
2.根据权利要求1所述的无监督缺陷检测方法，其特征在于，在步骤(S300)中，本专利技术采用scikit-image库中用于执行Canny边缘检测的函数提取输入图像的边缘结构将其输入到结构编码器，将原始图像输入到图像编码器，将结构编码器经过编码得到的特征作为查询项，输入到记忆模块中进行检索得到结构特征和图像编码器的图像特征在通道维度进行拼接融合，共同输入到解码器中得到重建图像。
3.根据权利要求2所述的无监督缺陷检测方法，其特征在于，进行解码重建时，本专利技术只用到了图像编码器...
【技术特征摘要】
1.一种基于图像重建的无监督缺陷检测方法，其特征在于，该方法包含：
2.根据权利要求1所述的无监督缺陷检测方法，其特征在于，在步骤(s300)中，本发明采用scikit-image库中用于执行canny边缘检测的函数提取输入图像的边缘结构将其输入到结构编码器，将原始图像输入到图像编码器，将结构编码器经过编码得到的特征作为查询项，输入到记忆模块中进行检索得到结构特征和图像编码器的图像特征在通道维度进行拼接融合，共同输入到解码器中得到重建图像。
3.根据权利要求2所述的无监督缺陷检测方法，其特征在于，进行解码重建时，本发明只用到了图像编码器中最后一层的编码特征，对于结构编码器中的结构信息，还使用了“桥”连接在通道维度进行融合，每一层上采样对应加入结构编码器中的特征进行拼接融合得到丰富的结构特征；对重构后的图像，本发明再次经过scikit-image库执行canny边缘检测提取结构，通过对重建图像的结构和原图像结构计算l1范数，同时约束图像重构误差和结构误差。
...
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。