CN113689390B - 一种无缺陷样本学习的异常检测方法 - Google Patents
一种无缺陷样本学习的异常检测方法 Download PDFInfo
- Publication number
- CN113689390B CN113689390B CN202110904423.6A CN202110904423A CN113689390B CN 113689390 B CN113689390 B CN 113689390B CN 202110904423 A CN202110904423 A CN 202110904423A CN 113689390 B CN113689390 B CN 113689390B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- neural network
- sample
- score
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000005856 abnormality Effects 0.000 title claims abstract description 19
- 230000002950 deficient Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 239000000203 mixture Substances 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 47
- 238000005520 cutting process Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 description 20
- 230000007547 defect Effects 0.000 description 16
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无缺陷样本学习的异常检测方法,所述方法包括S1:获取无缺陷样本图像并进行预处理,得到灰度图;S2:利用灰度图建立子图像灰度高斯混合模型,并保存高斯混合模型参数;S3:构建损失函数并用于引导训练神经网络;S4:利用训练好的神经网络进行异常检测。本发明无需缺陷样本,节省了样本获取的成本,同时适用任意异常样本,具有较强的泛化能力,实用性强,检测准确率高。
Description
技术领域
本发明涉及深度学习技术领域,更具体地,涉及一种无缺陷样本学习的异常检测方法。
背景技术
随着我国行业制造水平和人民消费水平的不断提升,制造业对工业产品的质量有了更高的要求,同时产品表面质量对产品的直接使用和再加工都有重要影响。在工业生产中,生产者都需要对成品或中间产物进行质量的检测和统计,实现对产品进行按指标分拣,并达到对生产工艺的监督、改进的效用。
现今有全自动化、半自动化甚至全人工的生产方式,但在大部分的质检环节仍然依靠人工目视检测。造成这种局面的原因主要在于缺陷存在随机性、多样性等特点,而人的经验在质量的辨别当中就显得尤为重要。这些经验,在以往很长一段时间内难以被量化为数学关系且形成一种固化且易于复制的规则。人工检测的弊端十分明显:劳动强度大、效率低且质量得不到保障。考虑到人工成本越来越高,人身安全的保障意识越来越重,效率相对于机器处于劣势的人工质检将会慢慢从工业检测环节中逐渐消失,在产品线的质量控制阶段引入机器视觉和智能检测方法,对产品表面的缺陷进行准确的识别,对实现工业流水线质检环节的自动化具有重要意义。
现有的基于有监督深度学习的工业产品缺陷检测方法需要大量标记样本,这样的样本通常是难以获得且高成本的,而且标记的过程不仅费时费力,并且由于人工主观因素的影响,标记可能存在偏差,这些都会影响网络的训练和实际的检测。并且,用这些样本训练的模型,模型泛化性能较差。当产品出现新的缺陷类型,训练的模型可能会产生漏检。
现有技术中,公开号为:CN113095400A中国发明专利,于2021年7月9日公开了一种用于机器视觉缺陷检测的深度学习模型训练方法,基于少量缺陷产品外观图像和大量正常产品外观图像进行模型训练,采用负样本扩增方法对少量缺陷产品外观图像进行样本扩增,具体包括如下步骤:将缺陷产品外观图像中的缺陷部分截取出来,形成缺陷图像;对缺陷图像进行扩增处理,形成大量人工缺陷图像;通过图像融合的方式将人工缺陷图像融入到正常产品外观图像中的随机位置,形成人工缺陷产品外观图像;将人工缺陷产品外观图像列入训练样本集用于模型训练。该方案依赖的有缺陷的产品图像,无法解决模型泛化能力差的问题。
发明内容
本发明为克服上述现有技术中工业产品缺陷检测方法依赖大量的缺陷样品,检测准确率低,泛化能力差的缺陷,提供一种无缺陷样本学习的异常检测方法。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
一种无缺陷样本学习的异常检测方法,包括以下步骤:
S1:获取无缺陷样本图像并进行预处理,得到灰度图;
S2:利用灰度图建立子图像灰度高斯混合模型,并保存高斯混合模型参数;
S3:构建损失函数并用于引导训练神经网络;
S4:利用训练好的神经网络进行异常检测。
进一步地,步骤S2所述利用灰度图建立子图像灰度高斯混合模型,并保存高斯混合模型参数具体步骤为:
设灰度图的大小为m×n,灰度图记为S,将S分成p×q块子图像;
其中,每个子图像Skl是mk×nl矩阵形式,称为一个Patch,其中
将子图像Skl从中心向外逆时针遍历,展开为1×(mk×nl)向量,记为xk,l;
将展开向量拟合混合高斯模型,所述混合高斯模型表达式为:
其中m表示训练样本个数,表示第i个训练样本k行l列Patch的展开向量,得到高斯混合模型参数为/>
进一步地,在神经网络的训练中,将训练样本图像作为神经网络的输入,并利用构建的损失函数引导神经网络训练,其中对训练样本图像进行通道拓展处理并进行多尺度切割,具体步骤为:
将训练样本图像拓展为三通道,同时额外插入第四通道并将第四通道设为全0;
在训练样本图像上随机选择位置按照预设的两种尺度切割,记切割出的子图像尺寸分别为Hbig×Wbig×4,Hsmall×Wsmall×4,并且有mod(m,Hbig)=0,mod(m,Hsmall)=0,mod(m,Wbig)=0,mod(m,Wsmall)=0,并将切割出的子图像输入至神经网络。
进一步地,步骤S3的具体过程为:构建损失函数的具体过程为:
根据工业产品具有高度相似性,引导神经网络将不同图像的同一位置的子图像编码相近,则损失函数如下:
fθ为神经网络编码器,pi为当前子图像,pi′为另一样本图像同一位置的子图像;
利用图像灰度变化具有上下文相关性,随机挑选当前Patch临近的一个Patch,让神经网络预测二者相对位置,以更好地提取图像信息,则损失函数:
LSSL=Cross-entropy(y,Cφ(fθ(p1),fθ(p2)))
Cφ是一个8分类器,p1是当前子图像,p2是从临近区域随机选择的一个子图像;构建统一的损失函数:
LPatch SVDD=λLSVDD+LSSL
利用统一的损失函数引导训练神经网络。
进一步地,利用训练好的神经网络进行异常检测,具体步骤为:
S401:将训练样本按照固定的位置进行多尺度切割并输入至神经网络,输出向量并保存;
S402:获取测试样本的先验异常评分,并将先验异常评分标准化至测试样本的灰度图,得到异常评分灰度图;
S403:测试样本进行通道拓展并按照固定的位置进行多尺度切割,然后输入至神经网络,输出特征向量;
S404:将测试样本的特征向量分别与训练样本同一位置及周边位置编码所得向量计算欧氏距离,将欧氏距离的最小值作为子图像异常分数,并映射至测试样本原图像中该子图像位置;
S405:将不同尺度下的检测结果做矩阵对应元素相乘得到融合结果。
进一步地,步骤S401将训练样本按照固定的位置进行多尺度切割并输入至神经网络,输出向量并保存,具体为:
从训练样本图像左上角开始切割,得到(m/Hbig)×(n/Wbig)个Hbig×Wbig×4子图像和(m/Hsmall)×(n/Wsmall)个Hsmall×Wsmall×4子图像,将切割后的子图像输入神经网络,输出编码后的向量并保存。
进一步地,步骤S402获取测试样本的先验异常评分,并将先验异常评分标准化至测试样本的灰度图具体步骤为:
S4021:将测试样本图像处理为灰度图,并将灰度图分块得到子图像;
S4022:将子图像从中心向外逆时针遍历进行向量展开;
S4023:将得到的向量利用先验异常评分公式计算出每个子图像的异常分数,利用预设阈值判断出先验异常的子图像;
S4024:将每个先验异常的子图像的异常分数标准化到灰度图中。
进一步地,先验异常评分公式具体为:
表示第j个训练样本k行l列Patch的展开向量,/>是训练样本k行l列Patch展开向量拟合得到的高斯混合模型参数,μk,l为/>中的高斯均值,/>表示第j个训练样本k行l列Patch异常分数。
进一步地,通过先验异常评分公式计算得出先验异常分数,将先验异常分数与预设的阈值比较,若先验异常分数大于或等于预设的阈值,则判定该子图像先验异常,该子图像的异常分数为当前计算出的先验异常分数;
若先验异常分数小于预设的阈值,则判定该子图像无先验异常,该子图像区域的异常分数为0;
将得到的每个先验异常的子图像的异常分数标准化到灰度图中。
进一步地,在测试阶段中,测试样本图像进行三通道拓展,同时额外增加第四通道,并将第四通道第四设为异常评分灰度图;
将通道拓展后的测试样本图像从左上角开始并按照两个尺度切割,将切割后得到的子图像输入至神经网络,输出特征向量。
与现有技术相比,本发明技术方案的有益效果是:
本发明利用无缺陷样本图像拟合混合高斯模型,对测试样本异常评分,得到先验信息;通过分割多尺度的子图像块结合改进深度支持向量数据描述和自监督学习训练神经网络,得到测试样本的特征向量,计算测试样本的特征向量与训练样本同一位置及周边位置特征向量欧氏距离得到异常分数,本发明无需缺陷样本,节省了样本获取的成本,本发明适用任意异常样本,具有较强的泛化能力,实用性强,检测准确率高。
附图说明
图1为本发明一种无缺陷样本学习的异常检测方法训练阶段流程图。
图2为本发明利用训练好的神经网络进行异常检测流程图。
图3为本发明构建子图像灰度高斯混合模型流程图。
图4为本发明获取异常评分灰度图的流程图。
图5为本发明实施例测试样本原图。
图6为本发明实施例测试样本Ground truth图。
图7为本发明实施例测试样本的异常评分灰度图。
图8为本发明实施例神经网络检测结果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,一种无缺陷样本学习的异常检测方法,所述方法包括训练阶段和测试阶段,其中训练阶段包括以下步骤:
S1,获取无缺陷样本图像并进行预处理,得到灰度图;
需要说明的是,所述的无缺陷样本即正常的样本,将无缺陷样本图像进行灰度化预处理得到灰度图。
S2,利用灰度图建立子图像灰度高斯混合模型,并保存高斯混合模型参数;
如图3所示,建立子图像灰度高斯混合模型具体步骤为:
S201,设灰度图的大小为m×n,灰度图记为S,将S分成p×q块子图像;
1*9向量:
例如,以3X3的子图像为例,展开后为
其中,每个子图像Skl是mk×nl矩阵形式,称为一个Patch,其中
S202,将子图像Skl从中心向外逆时针遍历,展开为1×(mk×nl)向量,记为xk,l;
S203,将展开向量拟合混合高斯模型,所述混合高斯模型表达式为:
其中m表示训练样本个数,表示第i个训练样本k行l列Patch的展开向量,得到高斯混合模型参数为/>
S3,构建损失函数并用于引导训练神经网络;
需要说明的是,本发明损失函数包括两个部分:位置相关子图像支持向量数据描述(Position-Patch SVDD)的损失函数和自监督学习的损失函数,其中位置相关子图像支持向量数据描述的损失函数将每个子图像位置的特征作为一个聚类中心,引导神经网络训练。
具体步骤如下:
根据工业产品具有高度相似性,引导神经网络将不同图像的同一位置的子图像编码相近,则损失函数如下:
fθ为神经网络编码器,pi为当前子图像,pi′为另一样本图像同一位置的子图像;
利用图像灰度变化具有上下文相关性,随机挑选当前Patch临近的一个Patch,让神经网络预测二者相对位置,以更好地提取图像信息,则损失函数:
LSSL=Cross-entropy(y,Cφ(fθ(p1),fθ(p2)))
Cφ是一个8分类器,p1是当前子图像,p2是从临近区域随机选择的一个子图像;构建统一的损失函数:
LPatch SVDD=λLSVDD+LSSL。
需要说明的是,在神经网络的训练中,将训练样本图像作为神经网络的输入,并利用构建的损失函数引导神经网络训练,其中对训练样本图像进行通道拓展处理并进行多尺度切割,具体步骤为:
将训练样本图像拓展为三通道,同时额外插入第四通道并将第四通道设为全0;
在训练样本图像上随机选择位置按照预设的两种尺度切割,记切割出的子图像尺寸分别为Hbig×Wbig×4,Hsmall×Wsmall×4,并且有mod(m,Hbig)=0,mod(m,Hsmall)=0,mod(m,Wbig)=0,mod(m,Wsmall)=0,并将切割出的子图像输入至神经网络;
S4:利用训练好的神经网络进行异常检测;
具体步骤为:
S401:将训练样本按照固定的位置进行多尺度切割并输入至神经网络,输出向量并保存;
步骤S401将训练样本按照固定的位置进行多尺度切割并输入至神经网络,输出向量并保存;
具体过程为:将训练样本按照固定的位置进行多尺度切割并输入至神经网络,输出向量并保存,具体为:
从训练样本图像左上角开始切割,得到(m/Hbig)×(n/Wbig)个Hbig×Wbig×4子图像和(m/Hsmall)×(n/Wsmall)个Hsmall×Wsmall×4子图像,将切割后的子图像输入神经网络,输出编码后的向量并保存。
S402:获取测试样本的先验异常评分,并将先验异常评分标准化至测试样本的灰度图,得到异常评分灰度图;
步骤402中获取测试样本的先验异常评分,并将先验异常评分标准化至测试样本的灰度图,得到异常评分灰度图;如图4所示,具体步骤为:
S4021,将测试样本图像处理为灰度图,并将灰度图分块得到子图像;
S4022,将子图像从中心向外逆时针遍历进行向量展开;
S4023,将得到的向量利用先验异常评分公式计算出每个子图像的异常分数,利用预设阈值判断出先验异常的子图像;
S4024,将每个先验异常的子图像的异常分数标准化到灰度图中。其中,所述将每个子图像的异常分数标准化到灰度图中即将所述将每个子图像的异常分数归一化处理,然后乘以255后再取整。
其中,先验异常评分公式具体为:
表示第j个训练样本k行l列Patch的展开向量,/>是训练样本k行l列Patch展开向量拟合得到的高斯混合模型参数,μk,l为/>中的高斯均值,/>表示第j个训练样本k行l列Patch异常分数。
在本发明中,通过先验异常评分公式计算得出先验异常分数,将先验异常分数与预设的阈值比较,若先验异常分数大于或等于预设的阈值则,则判定该子图像先验异常,该子图像的异常分数为当前计算出的先验异常分数;
若先验异常分数小于预设的阈值,则判定该子图像无先验异常,该子图像区域的异常分数为0;
将得到的每个先验异常的子图像的异常分数标准化到灰度图中。
S403:测试样本进行通道拓展并按照固定的位置进行多尺度切割,然后输入至神经网络,输出特征向量;
具体过程为:将测试样本图像进行三通道拓展,同时额外增加第四通道,并将第四通道第四设为异常评分灰度图;
将通道拓展后的测试样本图像从左上角开始并按照两个尺度切割,将切割后得到的子图像输入至神经网络,输出特征向量。
S404:将测试样本的特征向量分别与训练样本同一位置及周边位置编码所得向量计算欧氏距离,将欧氏距离的最小值作为子图像异常分数,并映射至测试样本原图像中该子图像位置;
S405:将不同尺度下的检测结果做矩阵对应元素相乘得到融合结果。也就是将子图像异常分数与该子图像(每个子图像都是矩阵的形式)对应矩阵的元素相乘得到融合结果。
如图5-图8所示,示出了测试样本的图像的检测过程,其中图5为测试样本原图,图6为测试样本Ground truth图,图7为测试样本的异常评分灰度图,图8为神经网络检测结果图。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种无缺陷样本学习的异常检测方法,其特征在于,所述方法包括训练阶段和测试阶段,包括训练阶段以下步骤:
S1:获取无缺陷样本图像并进行预处理,得到灰度图;
S2:利用灰度图建立子图像灰度高斯混合模型,并保存高斯混合模型参数;
S3:将训练样本图像进行通道拓展处理并进行多尺度切割;
将训练样本图像作为神经网络的输入,并利用构建的损失函数引导神经网络训练;
测试阶段包括以下步骤:
S4:利用训练好的神经网络进行异常检测;
S401:将训练样本按照固定的位置进行多尺度切割并输入至神经网络,输出向量并保存;
具体步骤为:从训练样本图像左上角开始切割,得到个/>子图像和/>个/>子图像,将切割后的子图像输入神经网络,输出编码后的向量并保存,其中,/>和n分别表示灰度图的高和宽;
S402:获取测试样本的先验异常评分,并将先验异常评分标准化至测试样本的灰度图,得到异常评分灰度图;
具体步骤为:
将测试样本图像处理为灰度图,并将灰度图分块得到子图像;
将子图像从中心向外逆时针遍历进行向量展开;
将得到的向量利用先验异常评分公式计算出每个子图像的异常分数,利用预设阈值判断出先验异常的子图像;
将每个先验异常的子图像的异常分数标准化到灰度图中;
其中,先验异常评分公式具体为:
表示第/>个训练样本/>行/>列Patch的展开向量,/>是训练样本/>行/>列Patch展开向量拟合得到的高斯混合模型参数,/>为/>中的高斯均值,/>表示第/>个训练样本行/>列Patch异常分数;
S403:测试样本进行通道拓展并按照固定的位置进行多尺度切割,然后输入至神经网络,输出特征向量;
S404:将测试样本的特征向量分别与训练样本同一位置及周边位置编码所得向量计算欧氏距离,将欧氏距离的最小值作为子图像异常分数,并映射至测试样本原图像中该子图像位置;
S405:将不同尺度下的检测结果做矩阵对应元素相乘得到融合结果。
2.根据权利要求1所述的一种无缺陷样本学习的异常检测方法,其特征在于,
在神经网络的训练中,将训练样本图像作为神经网络的输入,并利用构建的损失函数引导神经网络训练,其中对训练样本图像进行通道拓展处理并进行多尺度切割,具体步骤为:
将训练样本图像拓展为三通道,同时额外插入第四通道并将第四通道设为全0;
在训练样本图像上随机选择位置按照预设的两种尺度切割,记切割出的子图像尺寸分别为,/>,并且有/>,/>,/>,,并将切割出的子图像输入至神经网络。
3.根据权利要求1所述的一种无缺陷样本学习的异常检测方法,其特征在于,步骤S3的具体过程为:构建损失函数的具体过程为:
根据工业产品具有高度相似性,引导神经网络将不同图像的同一位置的子图像编码相近,则损失函数如下:
为神经网络编码器,/>为当前子图像,/>为另一样本图像同一位置的子图像;
利用图像灰度变化具有上下文相关性,随机挑选当前Patch临近的一个Patch,让神经网络预测二者相对位置,以更好地提取图像信息,则损失函数:
是一个8分类器,/>是当前子图像,/>是从临近区域随机选择的一个子图像;
构建统一的损失函数:
利用统一的损失函数引导训练神经网络。
4.根据权利要求1所述的一种无缺陷样本学习的异常检测方法,其特征在于,通过先验异常评分公式计算得出先验异常分数,将先验异常分数与预设的阈值比较,若先验异常分数大于或等于预设的阈值,则判定子图像先验异常,该子图像的异常分数为当前计算出的先验异常分数;
若先验异常分数小于预设的阈值,则判定该子图像无先验异常,该子图像区域的异常分数为0;
将得到的每个先验异常的子图像的异常分数标准化到灰度图中。
5.根据权利要求1所述的一种无缺陷样本学习的异常检测方法,其特征在于,在测试阶段中,测试样本图像进行三通道拓展,同时额外增加第四通道,并将第四通道第四设为异常评分灰度图;
将通道拓展后的测试样本图像从左上角开始并按照两个尺度切割,将切割后得到的子图像输入至神经网络,输出特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904423.6A CN113689390B (zh) | 2021-08-06 | 2021-08-06 | 一种无缺陷样本学习的异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904423.6A CN113689390B (zh) | 2021-08-06 | 2021-08-06 | 一种无缺陷样本学习的异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689390A CN113689390A (zh) | 2021-11-23 |
CN113689390B true CN113689390B (zh) | 2023-10-24 |
Family
ID=78579080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110904423.6A Active CN113689390B (zh) | 2021-08-06 | 2021-08-06 | 一种无缺陷样本学习的异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596867B (zh) * | 2023-05-05 | 2024-02-13 | 理工特智科技(重庆)有限公司 | 一种用于焊接图像的目标检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867144A (zh) * | 2015-05-15 | 2015-08-26 | 广东工业大学 | 基于混合高斯模型的ic元件焊点缺陷检测方法 |
CN109801286A (zh) * | 2019-01-29 | 2019-05-24 | 江南大学 | 一种lcd导光板的表面缺陷检测算法 |
CN110232404A (zh) * | 2019-05-21 | 2019-09-13 | 江苏理工学院 | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 |
CN112991362A (zh) * | 2021-03-17 | 2021-06-18 | 合肥高晶光电科技有限公司 | 一种基于混合高斯模型的色选机粘连物料图像分割方法 |
CN113076215A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种独立于数据类型的无监督异常检测方法 |
WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
-
2021
- 2021-08-06 CN CN202110904423.6A patent/CN113689390B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867144A (zh) * | 2015-05-15 | 2015-08-26 | 广东工业大学 | 基于混合高斯模型的ic元件焊点缺陷检测方法 |
CN109801286A (zh) * | 2019-01-29 | 2019-05-24 | 江南大学 | 一种lcd导光板的表面缺陷检测算法 |
CN110232404A (zh) * | 2019-05-21 | 2019-09-13 | 江苏理工学院 | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 |
WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
CN112991362A (zh) * | 2021-03-17 | 2021-06-18 | 合肥高晶光电科技有限公司 | 一种基于混合高斯模型的色选机粘连物料图像分割方法 |
CN113076215A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种独立于数据类型的无监督异常检测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度主动学习的磁片表面缺陷检测;姚明海等;计算机测量与控制(第09期);第35-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113689390A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
US20230306577A1 (en) | Cross-scale defect detection method based on deep learning | |
CN110969606B (zh) | 一种纹理表面缺陷检测方法及系统 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN112017204A (zh) | 一种基于边缘标记图神经网络的刀具状态图像分类方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN113689390B (zh) | 一种无缺陷样本学习的异常检测方法 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN109949287A (zh) | 一种基于自适应分割与模板校正的织物瑕疵检测方法 | |
CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
US20230168643A1 (en) | Industrial internet of things based on abnormal identification, control method, and storage media thereof | |
CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN113947597B (zh) | 一种基于屏蔽重建的工业缺陷检测方法、装置及介质 | |
CN111709181A (zh) | 基于主成分分析的涤纶长丝工业生产流程故障预测方法 | |
CN113838040A (zh) | 一种针对彩色纹理织物缺陷区域的检测方法 | |
CN109447968A (zh) | 图像区域生长算法的蜕变测试系统 | |
CN112147221A (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN106569982A (zh) | 带奇异点检测补偿的gpr在线软测量方法及系统 | |
CN115661126A (zh) | 一种基于改进YOLOv5算法的带钢表面缺陷检测方法 | |
CN113469977B (zh) | 一种基于蒸馏学习机制的瑕疵检测装置、方法、存储介质 | |
Si et al. | Deep learning-based defect detection for hot-rolled strip steel | |
CN115619707A (zh) | 一种汽车车门密封件表面缺陷检测方法和系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230824 Address after: 510090 Dongfeng East Road 729, Yuexiu District, Guangzhou City, Guangdong Province Applicant after: GUANGDONG University OF TECHNOLOGY Applicant after: Guangzhou Deshidi Intelligent Technology Co.,Ltd. Address before: 510090 Dongfeng East Road 729, Yuexiu District, Guangzhou City, Guangdong Province Applicant before: GUANGDONG University OF TECHNOLOGY |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |