CN115797340A - 一种基于多示例学习的工业表面缺陷检测方法 - Google Patents

一种基于多示例学习的工业表面缺陷检测方法 Download PDF

Info

Publication number
CN115797340A
CN115797340A CN202310053199.3A CN202310053199A CN115797340A CN 115797340 A CN115797340 A CN 115797340A CN 202310053199 A CN202310053199 A CN 202310053199A CN 115797340 A CN115797340 A CN 115797340A
Authority
CN
China
Prior art keywords
blob
data
instance
data packet
defect detection
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
CN202310053199.3A
Other languages
English (en)
Inventor
孙鸿博
刘传林
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202310053199.3A priority Critical patent/CN115797340A/zh
Publication of CN115797340A publication Critical patent/CN115797340A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开一种基于多示例学习的工业表面缺陷检测方法，包括：通过改进的k‑meansSeg算法将原始数据转化为多示例学习数据包，之后利用GRG相似度系数和映射方法，将数据包映射为单向量并送入分类器中参与训练，根据测试集的效果调整超参数，直到缺陷检测性能达到要求；在生产线上对目标产品进行扫描，得到扫描数据并送入检测算法，即可得到该产品是否存在缺陷的检测结果。本发明的优点在于：在工业应用场景下，对于数据的高精度标记往往困难重重，因此本发明对于数据的标记过程，并没有提出过高的要求，仅需要标注数据本身是否存在缺陷即可，缺陷检出率可达99%，并在算法的执行效率上相较于同类算法也有显著的优势。

Description

一种基于多示例学习的工业表面缺陷检测方法
技术领域
本发明涉及一种基于多示例学习的工业表面缺陷检测方法，属于工业缺陷检测技术领域。
背景技术
随着新一代信息技术与制造业的深入融合，传统制造业产生了巨大的变革，逐步从数量扩增向质量提升转变。对于质量的追求，带来了高附加值、高利润的产品，实现了产品竞争力的跃升。在这样的过程中，产生了加强品质检验、提升工艺技术水准和规范生产作业等提升产品质量的手段，其中加强品质检验是制造业生产中最常用的方式。
影响产品质量的因素多种多样，例如：功能品质、性能品质以及外观品质等。自我国人民对美好生活的需求日益增加，对产品质量的要求也与日俱增，除了较高的功能品质和性能品质之外，对良好的表面质量也提出了极高的要求。尤其在服装、手机等工业领域内，用户对产品外观品质的重视程度甚至大于其功能品质，这类产品存的变形、脏污、划伤等表面缺陷，将导致产品的观感大打折扣，其价值也备受影响。然而，即便是最严格地把控生产过程中的每一个流程，其良品率也不可能达到100%，因此，应用于工业生产的表面缺陷检测技术应运而生，其作为流水线上的最后一道关卡，在防止不良产品流入市场的作用上，有着至关重要的意义。
自20世纪开始，表面缺陷检测大致经历了三个阶段，分别是人工目视法检测、单一机电或光学技术检测以及机器视觉检测。人工目视法起源最早，应用最广，虽然人工智能及机器视觉等先进检测技术日趋成熟，但依靠肉眼进行缺陷检测仍然占据较大的市场比重，并广泛存在于中小企业中。
人工检测在技术上存在着不可忽视的缺陷，其一：劳动强度大、检测稳定性及一致性差。人工检测法需要工人处于固定工位上，用肉眼观察产品来判断有无缺陷。长时间的检测工作容易对人眼造成伤害，特别是在检测玻璃、金属等强烈反光的物体表面时。在嘈杂的流水线环境下，长期的工作也会对工人的身心造成不可逆的损伤。同时，受工人的情绪浮动、技术水平、判断标准、个体差异等因素影响，甚至无法保障同一批次产品的检测稳定性和一致性，使得产品质量上下浮动，参差不齐。其二：自动化程度低、生产效率低下。由于工人的质检效率上限较低，同时人工成本又越来越高，企业为保障生产效率，一般采取抽样检测的策略。一批产品中随机抽取一定比例的产品用以评估整批产品的质量，其严格程度远低于全面检测。因此人工进行缺陷检测时容易陷入一种矛盾，即质量控制和生产效率不可兼得。其三：难以形成精益化生产。质量检测只是一种事后补救，不但成本高而且无法保证不出差错。许多检测不仅需要判断产品的外观质量，还要记录并统计缺陷的位置、尺寸和数量等数据。传统的人工检测使用纸笔记录质检结果，检测数据不全且分散，不易整合和统计，很难形成具有价值的反馈信息来指导精益化生产。
为了克服人工检测的种种不足，也为了在不断变化和竞争愈发激烈的市场中占据优势，企业既要不断提高产品质量标准以满足客户需求，又要不断提升生产线的效率以适应市场的快节奏。因此，采用自动化、智能化的表面缺陷检测方法是兼顾质量与效率的重要手段。
发明内容
基于上述内容，本发明提出了一种基于多示例学习的工业表面缺陷检测方法，同时考虑了实际生产生活中数据获取以及标注的困难，采用了弱监督的学习策略，进一步降低了算法的训练成本以及部署至实际工业生产线中的难度，同时也取得了相较同类算法更佳的检测性能，在日益加深的质量与效率的矛盾中，具有重要的意义，其具体步骤如下：
步骤S10、通过工业相机对目标产品进行扫描拍照，得到一组分辨率固定的灰度产品数据图像，并以0或1标记数据是否存在缺陷；
步骤S20、将获得的产品图像送入改进的k-meansSeg转化方法，将图像数据转化为多示例算法框架需要的数据包；
步骤S30、基于所有数据包中的实例，训练一个码本Codebook，
Figure SMS_1
，码本即是由所有实例经过k-meansSeg转化方法中涉及的k-means算法聚类之后得到的K个质心构成，之后每个实例被分配到距自己最近的质心；
步骤S40、基于码本C和映射函数
Figure SMS_2
，将每个数据包
Figure SMS_3
映射为一个新的向量
Figure SMS_4
，用以表示这个数据包，其中映射函数
Figure SMS_5
的本质是累积每个实例与质心的差异，利用累积的差异形成一个新的特征向量来表示原来的数据包；
步骤S50、将得到的向量
Figure SMS_6
在保持自身符号的前提下归一化，得到最终的特征向量
Figure SMS_7
；
步骤S60、利用得到的新的向量
Figure SMS_8
和其对应的标签，训练一个分类器F，利用这个分类器F即可对未知的数据进行缺陷的检测，可根据对象数据集的特征选择合适的分类器F。
步骤S40中所述映射函数
Figure SMS_9
，其具体步骤定义如下：
步骤S41、输入一类数据集中的所有实例，以及一个训练好的码本C
步骤S42、累积每个实例与质心的差异，组成一个新的数据包；
步骤S43、对于新组成的数据包中的每个实例，计算任意两个实例间的GRG相似度系数；
步骤S44、根据相似度系数对数据包中所有实例进行排序，并对相似度系数最大的两个实例以取均值的方式进行合并，之后重复步骤S42~S44，直到数据包中所有实例的GRG相似度系数均小于既定阈值后停止。
所述步骤S20中，所述kmeansSeg作出的改进在于对于每个blob的定义，在该算法中每个blob的大小被定义为9*9，每个blob的定义如下所示：
Figure SMS_10
式中
Figure SMS_11
表示第i个blob的平均亮度；在YCbCr颜色空间中，颜色由Y亮度，Cb蓝色的偏移量成分以及Cr红色的偏移量成分表示，对表示亮度的Y分量进行Daubechies4小波变化后，取其中的三个子带，即HL、LH和HH，式中
Figure SMS_12
表示第i个blob中像素亮度的平均HL分量，同理
Figure SMS_13
则依次表示第i个blob中像素亮度的平均LH分量和HH分量；
Figure SMS_14
分别表示第i个blob中像素的平均横向梯度和纵向梯度，n表示blob的数量；确定了每个blob的向量表示之后，对这些6维向量采用k-means算法将图像分割成K个片段，每一个片段即对应了数据包中的一个实例，未知参数K在开始的时候设置为2，之后通过循环增加，并停止于终止条件，终止条件可根据对象数据集特征进行调整；最后通过对代表第i段中所有blob的全部6维向量进行平均，得到数据包中的第i个实例，具体定义如下所示：
Figure SMS_15
式中mean代表其中物理量的平均值，
Figure SMS_16
表示第i段中所有blob的像素亮度，
Figure SMS_17
表示第i段中所有blob像素亮度的HL分量，
Figure SMS_18
表示第i段中所有blob像素亮度的LH分量，
Figure SMS_19
表示第i段中所有blob像素亮度的HH分量，
Figure SMS_20
表示第i段中所有blob的横向梯度信息，
Figure SMS_21
表示第i段中所有blob的纵向梯度信息。
所述步骤S42中，累积实例与质心差异的具体计算过程为：
Figure SMS_22
式中
Figure SMS_24
，表示参与计算的实例
Figure SMS_26
所属簇的质心为
Figure SMS_29
，
Figure SMS_25
表示向量
Figure SMS_28
的第k个分量的第l个属性，
Figure SMS_30
和
Figure SMS_31
分别表示实例
Figure SMS_23
和该实例对应质心
Figure SMS_27
的第l个属性。
所述步骤S43中，GRG相似度系数的具体计算过程为：
Figure SMS_32
其中，
Figure SMS_33
Figure SMS_36
，式中n表示每个数据包中的实例总数，m表示每个实例所具有的属性数量，p代表实例中的一个属性，
Figure SMS_38
表示实例
Figure SMS_42
中属性p的值，
Figure SMS_35
表示实例
Figure SMS_39
中属性p的值，
Figure SMS_40
为区分系数，范围在[0,1]之间，
Figure SMS_43
越小，表示区分度越大；在本文中
Figure SMS_34
；在上述定义中，
Figure SMS_37
的值越大，表明实例中
Figure SMS_41
与
Figure SMS_44
相似度越大，GRG可定义为如下等式：
Figure SMS_45
最终GRG相似度系数定义为两个实例在所有属性上GRC值的均值。
所述步骤S50中，具体归一化计算过程为：
Figure SMS_46
Figure SMS_47
式中
Figure SMS_48
指特征向量
Figure SMS_49
的第l个属性，其所有属性通过
Figure SMS_50
在保持自身符号的前提下取平方根得到新的向量
Figure SMS_51
，之后通过
Figure SMS_52
在保持自身符号的前提下取二范数进行归一化，最后得到算法需要的特征向量
Figure SMS_53
。
上述的一种基于多示例学习的工业表面缺陷检测方法，其主要具有以下有益效果：在工业场景下，对于复杂纹理下的缺陷有显著的识别效果；在数据集标注方面，相对于标准的监督方法，多示例学习框架(MIL)允许使用弱监督的图像进行训练，仅仅需要对原始数据标记是否存在缺陷即可，在更好的检测性能下，大大减轻了前期数据处理的工作压力，同时提高了算法的执行效率。
附图说明
图1为本发明技术流程图；
图2为本发明实验所使用的6类数据集；
图3为转化为多示例学习数据包后的数据总体特征；
实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
如图1所示，本发明是一种基于多示例学习的工业表面缺陷检测方法，依次包括下列步骤：
步骤S10、通过工业相机对目标产品进行扫描拍照，得到一组分辨率固定的灰度产品数据图像，并以0或1标记数据是否存在缺陷；
步骤S20、将获得的产品图像送入改进的k-meansSeg转化方法，将图像数据转化为多示例算法框架需要的数据包；
步骤S30、基于所有数据包中的实例，训练一个码本Codebook，
Figure SMS_54
，码本即是由所有实例经过k-meansSeg转化方法中涉及的k-means算法聚类之后得到的K个质心构成，之后每个实例被分配到距自己最近的质心；
步骤S40、基于码本C和映射函数
Figure SMS_55
，将每个数据包
Figure SMS_56
映射为一个新的向量
Figure SMS_57
，用以表示这个数据包，其中映射函数
Figure SMS_58
的本质是累积每个实例与质心的差异，利用累积的差异形成一个新的特征向量来表示原来的数据包；
步骤S50、将得到的向量
Figure SMS_59
在保持自身符号的前提下归一化，得到最终的特征向量
Figure SMS_60
；
步骤S60、利用得到的新的向量
Figure SMS_61
和其对应的标签，训练一个分类器F，利用这个分类器F即可对未知的数据进行缺陷的检测，可根据对象数据集的特征选择合适的分类器F。
所述步骤S40中映射函数
Figure SMS_62
，其具体定义如下：
步骤S41、输入一类数据集中的所有实例，以及一个训练好的码本C；
步骤S42、累积每个实例与质心的差异，组成一个新的数据包；
步骤S43、对于新组成的数据包中的每个实例，计算任意两个实例间的GRG相似度系数；
步骤S44、根据相似度系数对数据包中所有实例进行排序，并对相似度系数最大的两个实例以取均值的方式进行合并，之后重复步骤S42~S44，直到数据包中所有实例的GRG相似度系数均小于既定阈值后停止。
所述步骤S10中对于数据集的预处理没有提出任何的要求，仅从便利的角度考虑，在采集数据时，数据最优分辨率为512*512；工业相机采集得到的产品数据图像按8:2分为训练集和测试集。
所述步骤S20中kmeansSeg作出的改进在于对于每个blob的定义，在该算法中每个blob的大小被定义为9*9，每个blob的定义如下所示：
Figure SMS_63
式中
Figure SMS_64
表示第i个blob的平均亮度；在YCbCr颜色空间中，颜色由Y亮度，Cb蓝色的偏移量成分以及Cr红色的偏移量成分表示，对表示亮度的Y分量进行Daubechies4小波变化后，取其中的三个子带，即HL、LH和HH，式中
Figure SMS_65
表示第i个blob中像素亮度的平均HL分量，同理
Figure SMS_66
则依次表示第i个blob中像素亮度的平均LH分量和HH分量；
Figure SMS_67
分别表示第i个blob中像素的平均横向梯度和纵向梯度，n表示blob的数量；确定了每个blob的向量表示之后，对这些6维向量采用k-means算法将图像分割成K个片段，每一个片段即对应了数据包中的一个实例，未知参数K在开始的时候设置为2，之后通过循环增加，并停止于终止条件，终止条件可根据对象数据集特征进行调整；最后通过对代表第i段中所有blob的全部6维向量进行平均，得到数据包中的第i个实例，具体定义如下所示：
Figure SMS_68
式中mean代表其中物理量的平均值，
Figure SMS_69
表示第i段中所有blob的像素亮度，
Figure SMS_70
表示第i段中所有blob像素亮度的HL分量，
Figure SMS_71
表示第i段中所有blob像素亮度的LH分量，
Figure SMS_72
表示第i段中所有blob像素亮度的HH分量，
Figure SMS_73
表示第i段中所有blob的横向梯度信息，
Figure SMS_74
表示第i段中所有blob的纵向梯度信息。
所述步骤S42中累积实例与质心差异的具体计算过程为：
Figure SMS_75
式中
Figure SMS_77
，表示参与计算的实例
Figure SMS_81
所属簇的质心为
Figure SMS_83
，
Figure SMS_78
表示向量
Figure SMS_79
的第k个分量的第l个属性，
Figure SMS_82
和
Figure SMS_84
分别表示实例
Figure SMS_76
和该实例对应质心
Figure SMS_80
的第l个属性。
所述步骤S43中GRG相似度系数的具体计算过程为：
Figure SMS_85
其中，
Figure SMS_86
Figure SMS_88
，式中n表示每个数据包中的实例总数，m表示每个实例所具有的属性数量，p代表实例中的一个属性，
Figure SMS_90
表示实例
Figure SMS_94
中属性p的值，
Figure SMS_89
表示实例
Figure SMS_92
中属性p的值，
Figure SMS_95
为区分系数，范围在[0,1]之间，
Figure SMS_96
越小，表示区分度越大；在本文中
Figure SMS_87
；在上述定义中，
Figure SMS_91
的值越大，表明实例中
Figure SMS_93
与
Figure SMS_97
相似度越大，GRG可定义为如下等式：
Figure SMS_98
最终GRG相似度系数定义为两个实例在所有属性上GRC值的均值。
所述步骤S50的具体归一化计算过程为：
Figure SMS_99
Figure SMS_100
式中
Figure SMS_101
指特征向量
Figure SMS_102
的第l个属性，其所有属性通过
Figure SMS_103
在保持自身符号的前提下取平方根得到新的向量
Figure SMS_104
，之后通过
Figure SMS_105
在保持自身符号的前提下取二范数进行归一化，最后得到算法需要的特征向量
Figure SMS_106
。
如图2所示，本发明是一种基于多示例学习的工业表面缺陷检测方法，图中显示了实验所用到的6类数据集，每类数据所涉及到的缺陷类型由黑色椭圆形标记，每类数据右上角的正方形小框则显示了所标记缺陷的特写。
如图3所示，本发明是一种基于多示例学习的工业表面缺陷检测方法，根据说明书具体实施步骤S20所记述的改进的k-meansSeg转化方法，将实验所涉及的6类数据集转化为多示例学习数据包。图中显示了转化成为的多示例学习数据包的总体特征，从左到右依次为：数据集名称，标记为正的数据包数量即正包，标记为负的数据包数量即负包，数据包的维度，数据包中实例的维度，以及该类数据集中实例的总数。
本发明具有以下有益效果：在工业场景下，对于复杂纹理下的缺陷有显著的识别效果；在数据集标注方面，相对于标准的监督方法，多示例学习框架(MIL)允许使用弱监督的图像进行训练，仅仅需要对原始数据标记是否存在缺陷即可，在更好的检测性能下，大大减轻了前期数据处理的工作压力，同时提高了算法的执行效率。
以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种基于多示例学习的工业表面缺陷检测方法，其特征在于，包括以下步骤：
步骤S10、通过工业相机对目标产品进行扫描拍照，得到一组分辨率固定的灰度产品数据图像，并以0或1标记数据是否存在缺陷；
步骤S20、将获得的产品图像送入改进的k-meansSeg转化方法，将图像数据转化为多示例算法框架需要的数据包；
步骤S30、基于所有数据包中的实例，训练一个码本Codebook，
Figure QLYQS_1
，码本即是由所有实例经过k-meansSeg转化方法中涉及的k-means算法聚类之后得到的K个质心构成，之后每个实例被分配到距自己最近的质心；
步骤S40、基于码本C和映射函数
Figure QLYQS_2
，将每个数据包
Figure QLYQS_3
映射为一个新的向量
Figure QLYQS_4
，用以表示这个数据包，其中映射函数
Figure QLYQS_5
的本质是累积每个实例与质心的差异，利用累积的差异形成一个新的特征向量来表示原来的数据包；
步骤S50、将得到的向量
Figure QLYQS_6
在保持自身符号的前提下归一化，得到最终的特征向量
Figure QLYQS_7
；
步骤S60、利用得到的新的向量
Figure QLYQS_8
和其对应的标签，训练一个分类器F，利用这个分类器F即可对未知的数据进行缺陷的检测，可根据对象数据集的特征选择合适的分类器F。
2.根据权利要求1所述的一种基于多示例学习的工业表面缺陷检测方法，其特征在于，所述映射函数
Figure QLYQS_9
，其具体步骤定义如下：
步骤S41、输入一类数据集中的所有实例，以及一个训练好的码本C；
步骤S42、累积每个实例与质心的差异，组成一个新的数据包；
步骤S43、对于新组成的数据包中的每个实例，计算任意两个实例间的GRG相似度系数；
步骤S44、根据相似度系数对数据包中所有实例进行排序，并对相似度系数最大的两个实例以取均值的方式进行合并，之后重复步骤S42~S44，直到数据包中所有实例的GRG相似度系数均小于既定阈值后停止。
3.根据权利要求1所述的一种基于多示例学习的工业表面缺陷检测方法，其特征在于，所述步骤S20中kmeansSeg作出的改进在于对于每个blob的定义，在该算法中每个blob的大小被定义为9*9，每个blob的定义如下所示：
Figure QLYQS_10
式中
Figure QLYQS_11
表示第i个blob的平均亮度；在YCbCr颜色空间中，颜色由Y亮度，Cb蓝色的偏移量成分以及Cr红色的偏移量成分表示，对表示亮度的Y分量进行Daubechies4小波变化后，取其中的三个子带，即HL、LH和HH，式中
Figure QLYQS_12
表示第i个blob中像素亮度的平均HL分量，同理
Figure QLYQS_13
则依次表示第i个blob中像素亮度的平均LH分量和HH分量；
Figure QLYQS_14
分别表示第i个blob中像素的平均横向梯度和纵向梯度，n表示blob的数量；确定了每个blob的向量表示之后，对这些6维向量采用k-means算法将图像分割成K个片段，每一个片段即对应了数据包中的一个实例，未知参数K在开始的时候设置为2，之后通过循环增加，并停止于终止条件，终止条件可根据对象数据集特征进行调整；最后通过对代表第i段中所有blob的全部6维向量进行平均，得到数据包中的第i个实例，具体定义如下所示：
Figure QLYQS_15
式中mean代表其中物理量的平均值，
Figure QLYQS_16
表示第i段中所有blob的像素亮度，
Figure QLYQS_17
表示第i段中所有blob像素亮度的HL分量，
Figure QLYQS_18
表示第i段中所有blob像素亮度的LH分量，
Figure QLYQS_19
表示第i段中所有blob像素亮度的HH分量，
Figure QLYQS_20
表示第i段中所有blob的横向梯度信息，
Figure QLYQS_21
表示第i段中所有blob的纵向梯度信息。
4.根据权利要求2所述的一种基于多示例学习的工业表面缺陷检测方法，其特征在于，其中所述的映射函数
Figure QLYQS_22
，累积每个实例与质心的差异具体计算过程为：
Figure QLYQS_23
式中
Figure QLYQS_26
，表示参与计算的实例
Figure QLYQS_29
所属簇的质心为
Figure QLYQS_31
，
Figure QLYQS_25
表示向量
Figure QLYQS_28
的第k个分量的第l个属性，
Figure QLYQS_30
和
Figure QLYQS_32
分别表示实例
Figure QLYQS_24
和该实例对应质心
Figure QLYQS_27
的第l个属性。
5.根据权利要求2所述的一种基于多示例学习的工业表面缺陷检测方法，其特征在于，其中所述的映射函数
Figure QLYQS_33
，GRG相似度系数的具体计算过程为：
Figure QLYQS_34
其中，
Figure QLYQS_35
Figure QLYQS_36
，式中n表示每个数据包中的实例总数，m表示每个实例所具有的属性数量，p代表实例中的一个属性，
Figure QLYQS_41
表示实例
Figure QLYQS_44
中属性p的值，
Figure QLYQS_38
表示实例
Figure QLYQS_39
中属性p的值，
Figure QLYQS_42
为区分系数，范围在[0,1]之间，
Figure QLYQS_45
越小，表示区分度越大；在本文中
Figure QLYQS_37
；在上述定义中，
Figure QLYQS_40
的值越大，表明实例中
Figure QLYQS_43
与
Figure QLYQS_46
相似度越大，GRG可定义为如下等式：
Figure QLYQS_47
最终GRG相似度系数定义为两个实例在所有属性上GRC值的均值。
6.根据权利要求1所述的一种基于多示例学习的工业表面缺陷检测方法，其特征在于，所述步骤S50的具体归一化计算过程为：
Figure QLYQS_48
Figure QLYQS_49
式中
Figure QLYQS_50
指特征向量
Figure QLYQS_51
的第l个属性，其所有属性通过
Figure QLYQS_52
在保持自身符号的前提下取平方根得到新的向量
Figure QLYQS_53
，之后通过
Figure QLYQS_54
在保持自身符号的前提下取二范数进行归一化，最后得到算法需要的特征向量
Figure QLYQS_55
。
CN202310053199.3A 2023-02-03 2023-02-03 一种基于多示例学习的工业表面缺陷检测方法 Pending CN115797340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310053199.3A CN115797340A (zh) 2023-02-03 2023-02-03 一种基于多示例学习的工业表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310053199.3A CN115797340A (zh) 2023-02-03 2023-02-03 一种基于多示例学习的工业表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN115797340A true CN115797340A (zh) 2023-03-14

Family

ID=85429595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310053199.3A Pending CN115797340A (zh) 2023-02-03 2023-02-03 一种基于多示例学习的工业表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115797340A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090310854A1 (en) * 2008-06-16 2009-12-17 Microsoft Corporation Multi-Label Multi-Instance Learning for Image Classification
CN101706780A (zh) * 2009-09-03 2010-05-12 北京交通大学 一种基于视觉注意力模型的图像语义检索方法
CN103324940A (zh) * 2013-05-02 2013-09-25 广东工业大学 基于多示例多标签学习的皮肤病理图片特征识别方法
CN104200228A (zh) * 2014-09-02 2014-12-10 武汉睿智视讯科技有限公司 一种安全带识别方法与系统
CN105447512A (zh) * 2015-11-13 2016-03-30 中国科学院自动化研究所 一种精粗结合的光学表面缺陷的检测方法及装置
CN105678309A (zh) * 2016-02-03 2016-06-15 山东工商学院 一种基于多示例包特征学习的图像多标签标注算法
CN107749058A (zh) * 2017-10-23 2018-03-02 中南大学 一种锅炉管道表面缺陷的机器视觉检测方法及系统
CN108061735A (zh) * 2017-12-01 2018-05-22 工业互联网创新中心（上海）有限公司 零部件表面缺陷的识别方法和装置
CN109709104A (zh) * 2019-01-30 2019-05-03 上海工程技术大学 一种可检测产品表面缺陷的手持设备
CN109977994A (zh) * 2019-02-02 2019-07-05 浙江工业大学 一种基于多示例主动学习的代表性图像选取方法
CN111368917A (zh) * 2020-03-04 2020-07-03 西安邮电大学 一种用于刑侦图像分类的多示例集成学习方法
CN111860656A (zh) * 2020-07-22 2020-10-30 中南民族大学 分类器训练方法、装置、设备以及存储介质
CN113920071A (zh) * 2021-09-27 2022-01-11 季文杰 一种基于卷积神经网络算法的新冠病毒图像识别方法
CN115420866A (zh) * 2021-06-01 2022-12-02 中移系统集成有限公司 药物活性检测方法、装置、电子设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090310854A1 (en) * 2008-06-16 2009-12-17 Microsoft Corporation Multi-Label Multi-Instance Learning for Image Classification
CN101706780A (zh) * 2009-09-03 2010-05-12 北京交通大学 一种基于视觉注意力模型的图像语义检索方法
CN103324940A (zh) * 2013-05-02 2013-09-25 广东工业大学 基于多示例多标签学习的皮肤病理图片特征识别方法
CN104200228A (zh) * 2014-09-02 2014-12-10 武汉睿智视讯科技有限公司 一种安全带识别方法与系统
CN105447512A (zh) * 2015-11-13 2016-03-30 中国科学院自动化研究所 一种精粗结合的光学表面缺陷的检测方法及装置
CN105678309A (zh) * 2016-02-03 2016-06-15 山东工商学院 一种基于多示例包特征学习的图像多标签标注算法
CN107749058A (zh) * 2017-10-23 2018-03-02 中南大学 一种锅炉管道表面缺陷的机器视觉检测方法及系统
CN108061735A (zh) * 2017-12-01 2018-05-22 工业互联网创新中心（上海）有限公司 零部件表面缺陷的识别方法和装置
CN109709104A (zh) * 2019-01-30 2019-05-03 上海工程技术大学 一种可检测产品表面缺陷的手持设备
CN109977994A (zh) * 2019-02-02 2019-07-05 浙江工业大学 一种基于多示例主动学习的代表性图像选取方法
CN111368917A (zh) * 2020-03-04 2020-07-03 西安邮电大学 一种用于刑侦图像分类的多示例集成学习方法
CN111860656A (zh) * 2020-07-22 2020-10-30 中南民族大学 分类器训练方法、装置、设备以及存储介质
CN115420866A (zh) * 2021-06-01 2022-12-02 中移系统集成有限公司 药物活性检测方法、装置、电子设备和存储介质
CN113920071A (zh) * 2021-09-27 2022-01-11 季文杰 一种基于卷积神经网络算法的新冠病毒图像识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GANG CHEN 等: "Greedy Multiple Instance Learning via Codebook Learning and Nearest Neighbor Voting" *
LINGYU REN 等: "Grey-based multiple instance learning with multiple bag-representative" *
XIU-SHEN WEI 等: "An Empirical Study on Image Bag Generators for Multi-Instance Learning" *
XIU-SHEN WEI 等: "Scalable Algorithms for Multi-Instance Learning" *
吴雪: "基于多示例学习的图像分类技术研究" *
苏毅娟: "基于灰色关联分析的缺失值重复填补方法" *

Similar Documents

Publication Publication Date Title
WO2019062092A1 (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN104574389A (zh) 基于彩色机器视觉的电池片色差分选控制方法
CN109544562B (zh) 基于图像的钢筋端面自动识别计数算法
CN103984930A (zh) 基于视觉的数字仪表识别系统及其识别方法
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN115331119B (zh) 一种固体废弃物识别方法
CN107545550B (zh) 细胞图像偏色校正方法
CN110751635B (zh) 一种基于帧间差分和hsv颜色空间的口腔检测方法
CN106097368A (zh) 一种单板裂缝的识别方法
CN114331869B (zh) 一种坝面裂缝语义分割方法
CN107346429A (zh) 一种多晶电池片图像的颜色自动识别与分类方法
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
CN114119591A (zh) 一种显示屏画面质量检测方法
CN112529901A (zh) 一种复杂环境下的裂缝识别方法
CN107123102A (zh) 一种贴壁细胞生长融合度自动分析方法
CN109815957A (zh) 一种基于彩色图像在复杂背景下的文字识别方法
CN115797340A (zh) 一种基于多示例学习的工业表面缺陷检测方法
CN112967271A (zh) 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法
CN116664431B (zh) 一种基于人工智能的图像处理系统及方法
CN110400320B (zh) 一种电润湿缺陷像素的分割方法
CN109165659B (zh) 一种基于超像素分割的车辆颜色识别方法
CN103871084B (zh) 蓝印花布图案识别方法
CN115311250A (zh) 基于深度学习和时空特征融合的烟支外观检测方法
CN116433568A (zh) 基于深度支持向量描述的led灯带缺陷检测方法及系统
CN110827272B (zh) 一种基于图像处理的轮胎x光图像缺陷检测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20230314

WD01 Invention patent application deemed withdrawn after publication