CN113420772A - 基于多分类器与svdd协同算法的缺陷检测方法和装置 - Google Patents

基于多分类器与svdd协同算法的缺陷检测方法和装置 Download PDF

Info

Publication number
CN113420772A
CN113420772A CN202110971695.8A CN202110971695A CN113420772A CN 113420772 A CN113420772 A CN 113420772A CN 202110971695 A CN202110971695 A CN 202110971695A CN 113420772 A CN113420772 A CN 113420772A
Authority
CN
China
Prior art keywords
data
defect detection
workpiece
svdd
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110971695.8A
Other languages
English (en)
Inventor
邱增帅
周佩涵
王罡
侯大为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202110971695.8A priority Critical patent/CN113420772A/zh
Publication of CN113420772A publication Critical patent/CN113420772A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]

Abstract

本发明提供了一种基于多分类器与SVDD协同算法的缺陷检测方法和装置，该方法包括：对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据；对第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据；对第二数据进行数据平衡处理以获取第三数据；采用过滤法对第三数据进行特征选择处理；采用KNN算法对特征选择处理后的数据进行初步数据划分，以对待检测工件进行初次缺陷检测；根据初步数据划分结果采用SVDD算法再次进行数据划分，以对待检测工件进行二次缺陷检测。能够减少待检测工件的不同缺陷在设备上识别出现断层，对于处于不同环境下的待检测工件依然能够进行准确地检测，大大提高缺陷检测的准确度，降低现场工作难度。

Description

基于多分类器与SVDD协同算法的缺陷检测方法和装置
技术领域
本发明涉及缺陷检测技术领域，具体涉及一种基于多分类器与SVDD协同算法的缺陷检测方法和一种基于多分类器与SVDD协同算法的缺陷检测装置。
背景技术
相关技术中，基于工业质检图像数据处理的方法大多是人为根据历史经验选取对缺陷影响大的物理量进行数据分析，然而，由于工业现场质检数据本身存在多样性，比如类内间距大，即设备、人为均识别出是同一种缺陷，并且缺陷形态差异较大，设备识别出的缺陷特征各有不同，另外，不同相机型号，不同光照、灰度、湿度等环境下通过图像识别缺陷的清晰程度不同，工件新产生的缺陷特征在历史数据中没有发生过，从而导致算法识别不准确，工业质检数据与实际现场环境存在误差。
发明内容
本发明为解决上述技术问题，提供了一种基于多分类器与SVDD协同算法的缺陷检测方法，能够有效地减少待检测工件的不同缺陷在设备上识别出现断层，并且对于处于不同环境下的待检测工件依然能够进行准确地检测，从而大大提高缺陷检测的准确度，降低现场工作难度。
本发明采用的技术方案如下：
一种基于多分类器与SVDD协同算法的缺陷检测方法，包括以下步骤：对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据；对所述第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据；对第二数据进行数据平衡处理以获取第三数据；采用过滤法对第三数据进行特征选择处理；采用KNN算法对特征选择处理后的数据进行初步数据划分，以对所述待检测工件进行初次缺陷检测；根据初步数据划分结果采用SVDD算法再次进行数据划分，以对所述待检测工件进行二次缺陷检测。
通过以下公式对数据清洗后的数据进行数据标准化以获取第二数据：
Figure 843382DEST_PATH_IMAGE001
，
其中，
Figure 478501DEST_PATH_IMAGE002
为所述数据清洗后的数据中的物理量序列，i为1、2、……、n，n为正整数，
Figure 587794DEST_PATH_IMAGE003
，
Figure 96005DEST_PATH_IMAGE004
，
Figure 34355DEST_PATH_IMAGE005
为所述第二数据。
所述对第二数据进行数据平衡处理以获取第三数据，包括：随机抽取所述第二数据中的负样本数据进行删除，直至所述第二数据中的负样本数据与正样本数据的数量相同。
所述采用过滤法对第三数据进行特征选择处理，包括：计算数据清洗后的数据中所有特征物理量序列的方差，并对计算出的所有特征物理量序列的方差从大到小进行排序，以及选取出前m个特征物理量对所述第三数据进行特征选择处理，其中，m小于或等于特征物理量的总数。
一种基于多分类器与SVDD协同算法的缺陷检测装置，包括：第一获取模块，所述第一获取模块用于对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据；第二获取模块，所述第二获取模块用于对所述第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据；第三获取模块，所述第三获取模块用于对第二数据进行数据平衡处理以获取第三数据；处理模块，所述处理模块用于采用过滤法对第三数据进行特征选择处理；第一缺陷检测模块，所述第一缺陷检测模块用于采用KNN算法对特征选择处理后的数据进行初步数据划分，以对所述待检测工件进行初次缺陷检测；第二缺陷检测模块，所述第二缺陷检测模块用于根据初步数据划分结果采用SVDD算法再次进行数据划分，以对所述待检测工件进行二次缺陷检测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在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，实现上述的基于多分类器与SVDD协同算法的缺陷检测方法。
一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于多分类器与SVDD协同算法的缺陷检测方法。
本发明的有益效果：
本发明能够有效地减少待检测工件的不同缺陷在设备上识别出现断层，并且对于处于不同环境下的待检测工件依然能够进行准确地检测，从而大大提高缺陷检测的准确度，降低现场工作难度。
附图说明
图1为本发明实施例的基于多分类器与SVDD协同算法的缺陷检测方法的流程图；
图2为本发明实施例的基于多分类器与SVDD协同算法的缺陷检测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是根据本发明实施例的基于多分类器与SVDD协同算法的缺陷检测方法的流程图。
如图1所示，本发明实施例的基于多分类器与SVDD协同算法的缺陷检测方法可包括以下步骤：
S1，对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据。
其中，在对待检测工件进行缺陷检测时，可先通过工业相机拍摄待检测工件的原始图像，并读取原始图像中的轮廓点（像素坐标）以进行数据采集，从而获取第一数据。
S2，对第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据。
具体而言，可先对第一数据进行一致性检测，其中，可根据第一数据的数据缺失程度以及数据是否出现异常对第一数据进行数据清洗。作为一种可能的实施方式，以第一数据中的某一条数据为例，可先判断该条数据的缺失程度，如果该条数据的缺失程度较大，则删除该条数据，如果该条数据的缺失程度较小，则继续判断该条数据的数据值是否处于预设范围内，如果超出预设范围，则删除该条数据。
进一步而言，在对第一数据进行数据清洗后，可对数据清洗后的数据进行数据标准化以获取第二数据。
根据本发明的一个实施例，通过以下公式对数据清洗后的数据进行数据标准化以获取第二数据：
Figure 660115DEST_PATH_IMAGE006
， （1）
其中，
Figure 619718DEST_PATH_IMAGE007
为数据清洗后的数据中的物理量序列，i为1、2、……、n，n为正整数，
Figure 548098DEST_PATH_IMAGE008
，
Figure 898046DEST_PATH_IMAGE009
，
Figure 314115DEST_PATH_IMAGE010
为第二数据。
具体地，可对数据清洗后的数据进行数据标准化处理，以去除各物理量之间的单 位限制，转化为无量纲的纯数值数据，以便于不同的物理量之间进行比较和加权。其中，对 某物理量序列
Figure 354924DEST_PATH_IMAGE011
、
Figure 250943DEST_PATH_IMAGE012
、……、
Figure 478400DEST_PATH_IMAGE013
进行数据标准化处理时，可带入公式（1）以得到标准化后的 物理量序列（第二数据）
Figure 367334DEST_PATH_IMAGE014
、
Figure 176896DEST_PATH_IMAGE015
、……、
Figure 804667DEST_PATH_IMAGE016
。
S3，对第二数据进行数据平衡处理以获取第三数据。
根据本发明的一个实施例，对第二数据进行数据平衡处理以获取第三数据，包括：随机抽取第二数据中的负样本数据进行删除，直至第二数据中的负样本数据与正样本数据相同。
具体而言，由于变量数据类别分布不平衡，真实缺陷数据（即正样本数据）数量较少，非缺陷数据（即负样本数据）数量较大，考虑在实际应用场景下工业数据中“宁可过检，不可漏检”的经验，采用欠采样方法对数据进行平衡。其中，可随机抽取负样本数据将其从第二数据中删除，直到负样本数据的数量与正样本数据的数量相同。
S4，采用过滤法对第三数据进行特征选择处理。
根据本发明的一个实施例，采用过滤法对第三数据进行特征选择处理，包括：计算数据清洗后的数据中所有特征物理量序列的方差，并对计算出的所有特征物理量序列的方差从大到小进行排序，以及选取出前m个特征物理量对第三数据进行特征选择处理，其中，m小于或等于特征物理量的总数。
具体而言，可先计算数据清洗后的数据中所有特征物理量序列的方差，其中，可通过以下公式计算特征物理量序列的方差：
Figure 833934DEST_PATH_IMAGE017
， （2）
其中，
Figure 277292DEST_PATH_IMAGE018
表示某物理量序列的
Figure 964248DEST_PATH_IMAGE019
、
Figure 343015DEST_PATH_IMAGE020
、
Figure 341801DEST_PATH_IMAGE021
、……、
Figure 136320DEST_PATH_IMAGE022
的平均数，
Figure 481326DEST_PATH_IMAGE019
、
Figure 640781DEST_PATH_IMAGE020
、
Figure 517077DEST_PATH_IMAGE021
、……、
Figure 725073DEST_PATH_IMAGE022
表示该物理量在每条数据上的值。
然后，对计算出的所有特征物理量序列的方差从大到小进行排序，以方差作为特征评分标准，选择前m个贡献度较大（方差较大）的特征物理量。其中，m可根据实际情况进行标定，例如，m可为特征物理量的总数的20%。
S5，采用KNN算法对特征选择处理后的数据进行初步数据划分，以对待检测工件进行初次缺陷检测。
其中，可采用KNN（K-Nearest Neighbor，K近邻）算法进行初步数据划分，以对待检测工件进行初次缺陷检测。该KNN算法为多分类算法可将数据划分为多类。其中，KNN算法的原理是一个样本与数据集中的k个样本最相似，如果这k个样本中的大多数属于某一类别，则该样本也属于这个类别。因此，该方法在确定分类决策上只依据较邻近的几个样本的类别来决定待分类样本所属的类别。
具体地，可先通过以下公式计算预测点与其他所有点的距离：
Figure 715067DEST_PATH_IMAGE023
（3）
其中，
Figure 435636DEST_PATH_IMAGE024
为向量A=（
Figure 346698DEST_PATH_IMAGE025
，
Figure 981554DEST_PATH_IMAGE026
，
Figure 723989DEST_PATH_IMAGE027
，…，
Figure 490826DEST_PATH_IMAGE028
）和向量B=（
Figure 266015DEST_PATH_IMAGE029
，
Figure 330660DEST_PATH_IMAGE030
，
Figure 927602DEST_PATH_IMAGE031
，…，
Figure 951094DEST_PATH_IMAGE032
），n为特征个数，向量A为预测点向量，向量B为其他点向量。
然后，对计算出的预测点与其他所有点的距离进行排序，选出距离最近的前k个点，查看这些点中哪些类别较多，则预测点A属于该类别，其中k取值可为总数据量的10%，即，数据量为100条时，k取值为10。
S6，根据初步数据划分结果采用SVDD算法再次进行数据划分，以对待检测工件进行二次缺陷检测。
具体而言，由于KNN算法受分类类别数量多少影响，导致类别分错的可能性较高，并且工业现场环境多变，可能产生新的不存在历史数据库中的缺陷，这些新缺陷类型KNN算法无法识别（因为没有历史数据对新缺陷进行分类训练），因此，仅采用此算法进行数据划分的准确率低。
由此，本发明在采用KNN算法进行检测之前，可将待检测数据（特征选择处理后的数据）划分为检测数据和验证数据，在通过KNN算法对检测数据进行初步数据划分后，可将分类结果与验证数据进行比对，如果不匹配，则说明分类不准确，此时，可采用SVDD（Support Vector Data Description，支持向量数据描述）算法对分类不准确的数据再次进行数据划分，以对待检测工件进行二次缺陷检测。
具体地，SVDD是一种单类别分类器算法，能够识别并区分正样本数据与负样本数 据。其中，可通过非线性变换函数
Figure 148332DEST_PATH_IMAGE033
将数据从原始数据映射到特征空间（特征空 间属于高维度空间），并从中找出一个包围正样本（训练样本）的超球体，以及通过最小化该 超球体的体积让正样本点尽可能地被包围在超球体中，且负样本点尽可能地排除在超球体 之外，以此来实现划分正/负样本的目的。
其中，最小化超球体的体积公式为：
Figure 751090DEST_PATH_IMAGE034
（4）
其中，R是超球体半径，a是超球体的球心，
Figure 468117DEST_PATH_IMAGE035
是松弛因子，C是一个权衡超球体体积 和误分率的惩罚参数。
上述公式（4）中的对偶公式为：
Figure 576756DEST_PATH_IMAGE036
，……（5）
其中，
Figure 60958DEST_PATH_IMAGE037
是样本
Figure 795302DEST_PATH_IMAGE038
对应的拉格朗日系数，
Figure 304519DEST_PATH_IMAGE039
是样本
Figure 584059DEST_PATH_IMAGE040
对应的拉格朗日系数，且
Figure 264481DEST_PATH_IMAGE041
，
Figure 582942DEST_PATH_IMAGE042
。在所有训练样本中，将拉格朗日系数满足
Figure 25294DEST_PATH_IMAGE043
的 样本称为支持向量，假设训练数据集中属于支持向量的样本集合为SV，则：
Figure 367413DEST_PATH_IMAGE044
， （6）
Figure 449377DEST_PATH_IMAGE045
（7）
其中，
Figure 135311DEST_PATH_IMAGE046
，
Figure 494486DEST_PATH_IMAGE047
是核函数，等同于特征空间中样本的内积，即
Figure 365096DEST_PATH_IMAGE048
。对于测试样本
Figure 245940DEST_PATH_IMAGE049
，该点到超球体球心的距离为：
Figure 883636DEST_PATH_IMAGE050
（8）
若
Figure 97318DEST_PATH_IMAGE051
，则说明测试样本在超球体表面或内部，属于正常样本，即与训练样 本属同一缺陷类别，反之则说明训练样本不属于同一类别。在SVDD算法中，训练样本均为正 样本，这样测试样本异常时可直接判断为负样本。
综上所述，根据本发明实施例的基于多分类器与SVDD协同算法的缺陷检测方法，对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据，以及对第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据，以及对第二数据进行数据平衡处理以获取第三数据，并采用过滤法对第三数据进行特征选择处理，以及采用KNN算法对特征选择处理后的数据进行初步数据划分，以对待检测工件进行初次缺陷检测，并根据初步数据划分结果采用SVDD算法再次进行数据划分，以对待检测工件进行二次缺陷检测。由此，能够有效地减少待检测工件的不同缺陷在设备上识别出现断层，并且对于处于不同环境下的待检测工件依然能够进行准确地检测，从而大大提高缺陷检测的准确度，降低现场工作难度。
对应上述实施例，本发明还提出一种基于多分类器与SVDD协同算法的缺陷检测装置。
如图2所示，本发明实施例的基于多分类器与SVDD协同算法的缺陷检测装置可包括：第一获取模块100、第二获取模块200、第三获取模块300、处理模块400、第一缺陷检测模块500和第二缺陷检测模块600。
其中，第一获取模块100用于对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据；第二获取模块200用于对第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据；第三获取模块300用于对第二数据进行数据平衡处理以获取第三数据；处理模块400用于采用过滤法对第三数据进行特征选择处理；第一缺陷检测模块500用于采用KNN算法对特征选择处理后的数据进行初步数据划分，以对待检测工件进行初次缺陷检测；第二缺陷检测模块600用于根据初步数据划分结果采用SVDD算法再次进行数据划分，以对待检测工件进行二次缺陷检测。
根据本发明的一个实施例，第二获取模块200通过以下公式对数据清洗后的数据进行数据标准化以获取第二数据：
Figure 453344DEST_PATH_IMAGE052
，
其中，
Figure 119686DEST_PATH_IMAGE053
为数据清洗后的数据中的物理量序列，i为1、2、……、n，n为正整数，
Figure 849220DEST_PATH_IMAGE054
，
Figure 855091DEST_PATH_IMAGE055
，
Figure 566040DEST_PATH_IMAGE056
为第二数据。
根据本发明的一个实施例，第三获取模块300具体用于：随机抽取第二数据中的负样本数据进行删除，直至第二数据中的负样本数据与正样本数据的数量相同。
根据本发明的一个实施例，处理模块400具体用于：计算数据清洗后的数据中所有特征物理量序列的方差，并对计算出的所有特征物理量序列的方差从大到小进行排序，以及选取出前m个特征物理量对第三数据进行特征选择处理，其中，m小于或等于特征物理量的总数。
需要说明的是，本发明实施例的基于多分类器与SVDD协同算法的缺陷检测装置可参照上述基于多分类器与SVDD协同算法的缺陷检测方法的实施例，在此不再赘述。
根据本发明实施例的基于多分类器与SVDD协同算法的缺陷检测装置，通过第一获取模块对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据，以及通过第二获取模块对第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据，以及通过第三获取模块对第二数据进行数据平衡处理以获取第三数据，并通过处理模块采用过滤法对第三数据进行特征选择处理，以及通过第一缺陷检测模块采用KNN算法对特征选择处理后的数据进行初步数据划分，以对待检测工件进行初次缺陷检测，并通过第二缺陷检测模块根据初步数据划分结果采用SVDD算法再次进行数据划分，以对待检测工件进行二次缺陷检测。由此，能够有效地减少待检测工件的不同缺陷在设备上识别出现断层，并且对于处于不同环境下的待检测工件依然能够进行准确地检测，从而大大提高缺陷检测的准确度，降低现场工作难度。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实施例的基于多分类器与SVDD协同算法的缺陷检测方法。
根据本发明实施例的计算机设备，能够有效地减少待检测工件的不同缺陷在设备上识别出现断层，并且对于处于不同环境下的待检测工件依然能够进行准确地检测，从而大大提高缺陷检测的准确度，降低现场工作难度。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的基于多分类器与SVDD协同算法的缺陷检测方法。
根据本发明实施例的非临时性计算机可读存储介质，能够有效地减少待检测工件的不同缺陷在设备上识别出现断层，并且对于处于不同环境下的待检测工件依然能够进行准确地检测，从而大大提高缺陷检测的准确度，降低现场工作难度。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于多分类器与SVDD协同算法的缺陷检测方法，其特征在于，包括以下步骤：
对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据；
对所述第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据；
对第二数据进行数据平衡处理以获取第三数据；
采用过滤法对第三数据进行特征选择处理；
采用KNN算法对特征选择处理后的数据进行初步数据划分，以对所述待检测工件进行初次缺陷检测；
根据初步数据划分结果采用SVDD算法再次进行数据划分，以对所述待检测工件进行二次缺陷检测。
2.根据权利要求1所述的基于多分类器与SVDD协同算法的缺陷检测方法，其特征在于，通过以下公式对数据清洗后的数据进行数据标准化以获取第二数据：
Figure 628795DEST_PATH_IMAGE001
，
其中，
Figure 110330DEST_PATH_IMAGE002
为所述数据清洗后的数据中的物理量序列，i为1、2、……、n，n为正整数，
Figure 128708DEST_PATH_IMAGE003
，
Figure 176036DEST_PATH_IMAGE004
，
Figure 510416DEST_PATH_IMAGE005
为所述第二数据。
3.根据权利要求1所述的基于多分类器与SVDD协同算法的缺陷检测方法，其特征在于，所述对第二数据进行数据平衡处理以获取第三数据，包括：
随机抽取所述第二数据中的负样本数据进行删除，直至所述第二数据中的负样本数据与正样本数据的数量相同。
4.根据权利要求1所述的基于多分类器与SVDD协同算法的缺陷检测方法，其特征在于，所述采用过滤法对第三数据进行特征选择处理，包括：
计算数据清洗后的数据中所有特征物理量序列的方差，并对计算出的所有特征物理量序列的方差从大到小进行排序，以及选取出前m个特征物理量对所述第三数据进行特征选择处理，其中，m小于或等于特征物理量的总数。
5.一种基于多分类器与SVDD协同算法的缺陷检测装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于对待检测工件的原始图像中的轮廓点进行数据采集以获取第一数据；
第二获取模块，所述第二获取模块用于对所述第一数据进行数据清洗，并对数据清洗后的数据进行数据标准化以获取第二数据；
第三获取模块，所述第三获取模块用于对第二数据进行数据平衡处理以获取第三数据；
处理模块，所述处理模块用于采用过滤法对第三数据进行特征选择处理；
第一缺陷检测模块，所述第一缺陷检测模块用于采用KNN算法对特征选择处理后的数据进行初步数据划分，以对所述待检测工件进行初次缺陷检测；
第二缺陷检测模块，所述第二缺陷检测模块用于根据初步数据划分结果采用SVDD算法再次进行数据划分，以对所述待检测工件进行二次缺陷检测。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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，实现根据权利要求1-4中任一项所述的基于多分类器与SVDD协同算法的缺陷检测方法。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的基于多分类器与SVDD协同算法的缺陷检测方法。
CN202110971695.8A 2021-08-24 2021-08-24 基于多分类器与svdd协同算法的缺陷检测方法和装置 Pending CN113420772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110971695.8A CN113420772A (zh) 2021-08-24 2021-08-24 基于多分类器与svdd协同算法的缺陷检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110971695.8A CN113420772A (zh) 2021-08-24 2021-08-24 基于多分类器与svdd协同算法的缺陷检测方法和装置

Publications (1)

Publication Number Publication Date
CN113420772A true CN113420772A (zh) 2021-09-21

Family

ID=77719540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110971695.8A Pending CN113420772A (zh) 2021-08-24 2021-08-24 基于多分类器与svdd协同算法的缺陷检测方法和装置

Country Status (1)

Country Link
CN (1) CN113420772A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272309A (zh) * 2022-09-26 2022-11-01 江苏智云天工科技有限公司 缺陷检测方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154178A (zh) * 2017-12-25 2018-06-12 北京工业大学 基于改进的svm-knn算法的半监督托攻击检测方法
CN109724994A (zh) * 2017-10-30 2019-05-07 东莞理工学院 基于aoi技术的fpc金手指表面缺陷检测系统及方法
CN110138784A (zh) * 2019-05-15 2019-08-16 重庆大学 一种基于特征选择的网络入侵检测系统
CN110320894A (zh) * 2019-08-01 2019-10-11 陕西工业职业技术学院 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109724994A (zh) * 2017-10-30 2019-05-07 东莞理工学院 基于aoi技术的fpc金手指表面缺陷检测系统及方法
CN108154178A (zh) * 2017-12-25 2018-06-12 北京工业大学 基于改进的svm-knn算法的半监督托攻击检测方法
CN110138784A (zh) * 2019-05-15 2019-08-16 重庆大学 一种基于特征选择的网络入侵检测系统
CN110320894A (zh) * 2019-08-01 2019-10-11 陕西工业职业技术学院 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张志军: "《大数据技术在高校中的应用研究》", 15 September 2017, 北京邮电大学出版 *
缪志敏等: "一种新的基于 SVDD 的多类分类算法", 《计算机科学》 *
谷斌: "《数据仓库与数据挖掘实务》", 15 August 2014, 北京邮电大学出版社 *
辛勤等: "《数据分析及可视化研究》", 15 December 2019, 上海交通大学出版社 *
黄孝平: "《当代机器深度学习方法与应用研究》", 15 November 2017, 电子科技大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272309A (zh) * 2022-09-26 2022-11-01 江苏智云天工科技有限公司 缺陷检测方法和系统

Similar Documents

Publication Publication Date Title
TWI639824B (zh) 用於自動及手動缺陷分類之整合的方法、設備及非暫態電腦可讀取儲存媒介
TWI585397B (zh) 用於自動缺陷分類之不明缺陷拒絕率之最佳化
JP5718781B2 (ja) 画像分類装置および画像分類方法
KR20190098262A (ko) 심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법
TW202134601A (zh) 光學計量之準確度提升
CN108470194B (zh) 一种特征筛选方法及装置
US11132790B2 (en) Wafer map identification method and computer-readable recording medium
CN113109240A (zh) 一种计算机实施的粮食不完善粒测定方法和系统
CN112508950A (zh) 异常检测方法和装置
CN113420772A (zh) 基于多分类器与svdd协同算法的缺陷检测方法和装置
Kuo et al. Improving defect inspection quality of deep-learning network in dense beans by using hough circle transform for coffee industry
JP2016110625A (ja) 分類方法、検査方法、検査装置、およびプログラム
CN113554645B (zh) 基于wgan的工业异常检测方法和装置
CN117152152B (zh) 检测试剂盒的生产管理系统及方法
CN113139963A (zh) 缺陷检测方法和装置
CN116150678B (zh) 一种基于色度坐标的黄玉颜色分类分级方法及装置
JP2004354111A (ja) 物体検査方法及びその装置
CN114399669B (zh) 目标检测方法和装置
JP2016110626A (ja) 分類方法、検査方法、検査装置、およびプログラム
KR101782366B1 (ko) 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법
CN111932578B (zh) 融入类指数抑制因子的像素块聚类无损检测图像分割方法
CN113780488A (zh) 基于位置聚合程度的刮伤与擦伤缺陷检测方法
CN117523324B (zh) 图像处理方法和图像样本分类方法、装置和存储介质
JP5241302B2 (ja) 特性分布解析方法および装置、基板分類方法および装置、上記特性分布解析方法または基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
CN117314914B (zh) 一种对工程无损检测图像的缺陷识别方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210921

RJ01 Rejection of invention patent application after publication