CN116030237A - 工业缺陷检测方法、装置及电子设备、存储介质 - Google Patents

工业缺陷检测方法、装置及电子设备、存储介质 Download PDF

Info

Publication number
CN116030237A
CN116030237A CN202310105521.2A CN202310105521A CN116030237A CN 116030237 A CN116030237 A CN 116030237A CN 202310105521 A CN202310105521 A CN 202310105521A CN 116030237 A CN116030237 A CN 116030237A
Authority
CN
China
Prior art keywords
extraction
feature
probability estimation
network
gaussian probability
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
CN202310105521.2A
Other languages
English (en)
Inventor
张海涛
孙涛
艾坤
刘海峰
王子磊
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.)
Hefei Zhongke Leinao Intelligent Technology Co ltd
Original Assignee
Hefei Zhongke Leinao Intelligent 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 Hefei Zhongke Leinao Intelligent Technology Co ltd filed Critical Hefei Zhongke Leinao Intelligent Technology Co ltd
Publication of CN116030237A publication Critical patent/CN116030237A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种工业缺陷检测方法、装置及电子设备、存储介质，涉及图像处理技术领域。所述方法包括：获取待测图像样本，并对待测图像样本进行预处理；利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，以根据异常分数图进行缺陷检测。由此，以减少工业缺陷检测的检测时间，提高工业缺陷检测的检测效率，且在不需要构建正样本特征库的条件下实现工业缺陷检测，以节省存储空间。

Description

工业缺陷检测方法、装置及电子设备、存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种工业缺陷检测方法、装置及电子设备、存储介质。
背景技术
工业缺陷检测是图像处理技术领域的一个重要应用方向，工业缺陷检测是指在工业应用场景中，对可能出现缺陷的产品进行检测并对产品进行异常判别，从而来区分产品的优劣性。目前，工业缺陷检测的方式主要分为基于目标检测的有监督方法和无监督异常检测方法。
而在相关的无监督异常检测方法中，大多在使用的过程中均需要利用非参数方法构建正样本特征库，再通过计算特征之间的距离或通过聚类方法来对分布进行建模。利用上述方式进行检测时，构建正样本特征库需要提供额外的存储空间；同时，通过计算距离或聚类方法进行建模需要消耗大量的时间，且所消耗的时间会随着样本库中特征的增加而增加，因此缺陷检测速度较慢。除此之外，在其他的无监督异常检测方法中，正样本特征库会将图像的二维特征信息压缩为特征向量，由此会损失原始图像中部分位置信息，从而影响工业缺陷检测结果的准确度。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种工业缺陷检测方法，以减少工业缺陷检测的检测时间，提高工业缺陷检测的检测效率，且在不需要构建正样本特征库的条件下实现工业缺陷检测，以节省存储空间。
本发明的第二个目的在于提出一种工业缺陷检测装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本发明第一个实施例提出了一种工业缺陷检测方法，所述工业缺陷检测方法包括：
获取待测图像样本，并对所述待测图像样本进行预处理；利用特征提取网络对经过预处理的所述待测图像样本进行特征提取，得到所述特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的所述特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，以根据所述异常分数图进行缺陷检测。
本发明实施例的工业缺陷检测方法，通过获取待测图像样本，并对待测图像样本进行预处理；再利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，得到各个提取阶段的高斯概率估计图；再根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，最后根据异常分数图来进行缺陷检测。由此，在检测过程中不需要使用正样本特征库，通过将特征图输入至训练好的二维自回归流模型中即可实现特征对比，从而节省了存储空间；且采用该工业缺陷检测方法的操作过程简单，能够提高工业缺陷检测效率。
在一些实现方式中，所述二维自回归流模型的训练步骤包括：获取正常图片样本，并将所述正常图片样本进行预处理；利用所述特征提取网络对经过预处理的所述正常图片样本进行特征提取，以得到所述特征提取网络在多个提取阶段输出的训练特征图；将各个提取阶段的所述训练特征图输入至待训练的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图，其中，所述二维自回归流模型包括多个网络分支，不同的所述网络分支用于得到不同提取阶段的高斯概率估计图；根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值；根据所述总损失值对相应的所述网络分支的参数进行更新，以得到所述训练好的二维自回归流模型。
在一些实现方式中，所述根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值，包括：根据各个提取阶段的所述高斯概率估计图确定相应所述网络分支的损失值；根据所有所述网络分支的损失值确定所述二维自回归流模型的总损失值。
在一些实现方式中，通过下式确定所述网络分支的损失值：
zi＝f(xi)
Figure BDA0004074727060000021
Figure BDA0004074727060000022
其中，Xi为特征提取网络第i个提取阶段输出的所述训练特征图，f为所述二维自回归流模型，Zi为第i个提取阶段的所述高斯概率估计图，Zi,j为第i个提取阶段的所述高斯概率估计图的第j个像素值，j＝1表示第i个提取阶段的所述高斯概率估计图的首个像素值，C为所述高斯概率估计图的通道数，W为所述高斯概率估计图的宽度，H为所述高斯概率估计图的高度，Li为与第i个提取阶段对应的所述网络分支的损失值，
Figure BDA0004074727060000031
为与第i个提取阶段对应的所述网络分支的雅可比矩阵的行列式。
在一些实现方式中，通过下式确定所述总损失值：
Figure BDA0004074727060000032
其中，L为所述二维自回归流模型的所述总损失值，m为所述特征提取网络的提取阶段数。
在一些实现方式中，所述根据所述总损失值对相应的所述网络分支的参数进行更新，包括：采用反向传播算法，并根据所述总损失值更新各个所述网络分支的参数，直至各个所述网络分支收敛。
在一些实现方式中，所述根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，包括：利用各个提取阶段的所述高斯概率估计图确定各个提取阶段的子异常分数图；根据每个提取阶段的所述子异常分数图确定所述异常分数图。
在一些实现方式中，通过下式确定所述子异常分数图：
Figure BDA0004074727060000033
其中，Mi为第i个提取阶段的所述子异常分数图，Zi,k 2为第i个提取阶段第k个通道的所述高斯概率估计图中每个像素值的平方，k＝1表示第i个提取阶段的所述高斯概率估计图的第1个通道。
在一些实现方式中，通过下式确定所述异常分数图：
Figure BDA0004074727060000034
Figure BDA0004074727060000035
其中，Mu i为将第i个提取阶段的所述子异常分数图映射于所述待测图像样本后的子异常分数图，input_size为所述待测图像样本的输入尺寸，M为所述异常分数图。
在一些实现方式中，所述根据所述异常分数图进行缺陷检测，包括：确定所述异常分数图中是否存在异常区域，所述异常区域中像素点的异常分数大于预设阈值；若是，则将所述异常区域映射在所述待测图像样本的部分进行分割，以得到缺陷图像。
为达上述目的，本发明第二个实施例提出了一种工业缺陷检测装置，该工业缺陷检测装置包括：
获取模块，用于获取待测图像样本，并对所述待测图像样本进行预处理；特征提取模块，用于利用特征提取网络对经过预处理的所述待测图像样本进行特征提取，得到所述特征提取网络在多个提取阶段输出的特征图；处理模块，用于将各个提取阶段的所述特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；缺陷检测模块，用于根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，以根据所述异常分数图进行缺陷检测。
本发明实施例的工业缺陷检测装置，通过获取模块获取待测图像样本，并对待测图像样本进行预处理；特征提取模块利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图；处理模块将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，得到各个提取阶段的高斯概率估计图；缺陷检测模块根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，最后根据异常分数图来进行缺陷检测。由此，在检测过程中不需要使用正样本特征库，通过将特征图输入至训练好的二维自回归流模型中即可实现特征对比，从而节省了存储空间；且采用该工业缺陷检测方法的操作过程简单，能够提高工业缺陷检测效率。
为达上述目的，本发明第三个实施例提出了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例提出的工业缺陷检测方法。
为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本发明第一方面实施例的工业缺陷检测方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明一个实施例的工业缺陷检测方法的流程图；
图2是本发明一个实施例的二维自回归流模型训练方法的流程图；
图3是本发明实施例的确定二维自回归流模型的总损失值的方法的流程图；
图4是本发明实施例的训练好的二维自回归流模型的示意图；
图5是本发明实施例的确定异常分数图的方法的流程图；
图6是本发明实施例的根据异常分数图进行缺陷检测的方法的流程图；
图7是本发明一个实施例的工业缺陷检测装置的方框图；
图8是本发明一个实施例的电子设备的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
目前，在图像处理技术领域中，主流的研究方向分为两大方向，一种是基于目标检测的有监督方法，另一种是基于无监督异常检测方法(又可以称为分布外检测方法)。
使用基于目标检测的有监督方法来进行工业缺陷检测的主要过程为：通过对采集到的缺陷样本进行标注，再通过神经网络进行有监督学习。但是由于缺陷的概率密度较低，正常数据和异常数据通常会呈现出严重的长尾分布；甚至在一些情况下，没有异常样本可以使用。因此，针对工业缺陷检测的应用场景，基于目标检测的有监督方法并不适用。
使用无监督异常检测方法来进行工业缺陷检测的主要过程为：将正常样本数据输入至神经网络，通过神经网络获取正常样本的特征信息，并使用统计方法对正常样本的特征信息的分布进行建模，最后在测试阶段判别异常特征是否在正常特征分布中，来实现工业缺陷检测。
无监督异常检测方法通常只关注正常样本的特征信息，其最大的优点就是不需要进行额外的异常样本标注工作，极大地减小了数据采集过程中的人力和资源的开销。且无监督异常检测方法可以将任何不在正常特征分布上的特征，均判别为异常，故具有高召回率。因此，无监督异常检测方法十分适用于工业缺陷检测的应用场景。另外，由于无监督异常检测方法只需要提取正常样本的特征并进行特征分布的建模，测试阶段只需要计算测试样本的特征和特征分布模型的距离，就可以快速地实现缺陷的检测，故该类方法往往是轻量级且易于实现的。
但是目前相关的无监督异常检测方法，大多需要使用非参数方法构建正样本特征库；再通过计算待测样本特征和正样本特征库中样本特征之间的距离(即将待测样本的特征和正样本特征库中样本特征进行对比的过程)，或者通过聚类方法对特征分布进行建模。而构建正样本特征库需要提供额外的存储空间，且随着正样本特征库中的特征不断增加，所需要的存储空间则越多，因此不利于实际的应用过程。另外，利用计算特征之间的距离或通过聚类方法对特征分布进行建模需要消耗的时间较长，且随着正样本特征库中的特征不断增加，所需要消耗的时间也会增加，因此使用该方法进行工业缺陷检测的检测效率较低。除此之外，在其他的无监督异常检测方法中，正样本特征库会将图像的二维特征信息压缩为特征向量，由此会损失原始图像的位置相关信息，从而影响工业缺陷检测结果的准确度。
为此，本发明实施例提供了一种工业缺陷检测方法、装置及电子设备、存储介质，来减少工业缺陷检测的检测时间，提高工业缺陷检测的检测效率，且在不需要构建正样本特征库的条件下实现工业缺陷检测，以节省存储空间。
下面参考附图描述本发明实施例的工业缺陷检测方法、装置及电子设备、存储介质。
图1是本发明一个实施例的工业缺陷检测方法的流程图。如图1所示，该工业缺陷检测方法包括以下步骤：
步骤S110：获取待测图像样本，并对待测图像样本进行预处理。需要说明的是，待测图像样本即待需要进行工业缺陷检测的图像。
在本实施例中，对待测图像样本进行的预处理的方式包括(但不限于)：对待测图像样本的缩放和归一化。其中，对待测图像样本进行缩放处理是为了保证输入的图像样本大小一致，从而可以将多个待测图像样本批量输入至特征提取网络中进行处理。示例地，可以将每个待测图像样本统一缩放到224分辨率，再输入至特征提取网络中。
对待测图像样本进行归一化处理是为了保证输入至特征提取网络中的图像样本的数值大小合理，以避免引起数值溢出的问题。示例地，对于待测图像样本RGB三通道，分别使用均值[0.485,0.456,0.406]和标准差[0.229,0.224,0.225]归一化到[0,1]之间，从而实现对待测图像样本的归一化。
步骤S120：利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图。
对待测图像样本进行预处理后，再将经过预处理后的待测图像样本输入至特征提取网络中，以对待测图像样本中的特征信息进行提取。本发明实施例中使用的特征提取网络可以为：利用通用图像样本集预训练的轻量级基础图像分类网络。通用图像样本集包括但不限于ImageNet(图像识别数据库)，经过预训练后得到的轻量级基础图像分类网络可以为：ResNet18、MobileNetv3等。以上图像样本集和轻量级基础图像分类网络仅仅为一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
具体地，对待测图像样本进行预处理后，可以将经过预处理的待测图像样本以多维张量的形式表示，并输入至上述经过预训练后的特征提取网络中；获取特征提取网络不同提取阶段输出的特征图，并保存特征提取网络中浅层网络输出的特征图，浅层网络输出的特征图也可以以张量参数的形式进行存储。
这里需要说明的是，卷积神经网络由输入层、隐层(即卷积层)以及输出层组成。一般会将具有较少隐层的卷积神经网络视为浅层卷积神经网络；将具有较多隐层的卷积神经网络视为深层卷积神经网络。为了能够保留待测图像样本中较多的图像特征，因此，本发明实施例使用特征提取网络中前三个隐层(即特征提取网络的前三个提取阶段)输出的特征图作为后续的检测数据。
另外，本发明实施例中，特征提取网络每一层的工作过程实际为降低图像分辨率的过程。示例地，假设输入至特征提取网络中的待测图像样本的尺寸为224*224(宽*高)，第一提取阶段的过程为将该待测图像样本的分辨率降低1/2；第二提取阶段的过程为将该待测图像样本的分辨率降低1/4；第三提取阶段的过程为将该待测图像样本的分辨率降低1/8；得到的三个提取阶段输出的特征图尺寸分别为112*112、56*56以及28*28；得到各提取阶段输出的特征图后，将特征图以张量参数的形式进行存储。
步骤S130：将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图。
在得到特征提取各个提取阶段输出的特征图后，再将特征图作为输入，利用预先训练好的二维自回归流模型中，来得到各个提取阶段相应的高斯概率估计图。需要说明的是，高斯概率估计图也可以以张量的表示形式输出。
值得一提的是，在目前相关的图像处理技术中，大多是使用压缩后的特征向量进行检测分析，但是待测图像样本压缩为特征向量后，分辨率较低，特征向量能够呈现的特征信息会存在损失的情况。而本发明实施例使用特征提取网络输出的特征图作为训练好的二维自回归流模型的输入，能够有效避免特征信息损失的问题，从而能够提高工业缺陷检测的准确度。
为了便于理解，下面先对二维自回归流模型的训练过程进行介绍。
图2是本发明一个实施例的二维自回归流模型训练方法的流程图。如图2所示，在一些实施方式中，可以通过以下步骤得到训练好的二维自回归流模型：
步骤S210：获取正常图片样本，并将正常图片样本进行预处理。
步骤S220：利用特征提取网络对经过预处理的正常图片样本进行特征提取，以得到特征提取网络在多个提取阶段输出的训练特征图。
步骤S230：将各个提取阶段的训练特征图分别输入至待训练的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图。其中，二维自回归流模型包括多个网络分支，不同的网络分支用于得到不同提取阶段的高斯概率估计图。
步骤S240：根据各个提取阶段的高斯概率估计图确定二维自回归流模型的总损失值。
步骤S250：根据总损失值对相应的网络分支的参数进行更新，以得到训练好的二维自回归流模型。
具体地，先获取大量正常图片样本，可以通过采集工业应用场景中需要检测缺陷产品的正常图片样本。得到大量的正常图片样本后，对正常图片样本进行预处理，并将经过预处理的所有正常图片样本制作成训练样本数据集，以便于对二维自回归流模型进行训练。
对正常图片样本进行预处理的方式包括(但不限于)：对正常图片样本的缩放、旋转和归一化。对正常图片样本的缩放和归一化方式可以参考前述对待测图像样本进行缩放和归一化的方式，此处不再赘述。另外，对正常图片样本进行旋转，能够增加正常图片样本的多样性，以增强训练后得到的训练好的二维自回归流模型的泛化性。示例地，对正常图片样本的缩放方式可以为：在多个正常图片样本中随机选择一些正常图片样本旋转5°，再对经过旋转后的正常图片样本进行裁剪。
得到经过预处理后的正常图片样本后，将正常图片样本作为输入，利用特征提取网络提取得到正常图片样本对应的训练特征图。具体地，将经过预处理后的正常图片样本以多维张量的形式表示，并将多个正常图片样本批量输入至特征提取网络中；获取特征提取网络中浅层网络输出的训练特征图，并将训练特征图以张量参数的形式进行存储。在本实施例中，将正常图片样本输入至特征提取网络后，获取特征提取网络前三个提取阶段输出的训练特征图，并将训练特征图进行存储。
得到各个提取阶段输出的训练特征图后，将各个提取阶段的训练特征图输入至待训练的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图。需要说明的是，二维自回归流模型包括多个网络分支，不同的网络分支用于得到不同提取阶段的高斯概率估计图。简单来说，二维自回归流模型的每个网络分支的模型公式相同，但是利用不同提取阶段输出的训练特征图训练得到的网络分支的模型参数不同。因此，在训练的过程中，利用多个相同提取阶段输出的训练特征图训练对应的网络分支；在使用过程中，也需要将特征图输入至与其提取阶段对应的网络分支中，以得到该提取阶段的高斯概率估计图。
图3是本发明实施例的确定二维自回归流模型的总损失值的方法的流程图。如图3所示，在一些实施方式中，可以通过以下步骤确定自回流模型的总损失值：
步骤S310：根据各个提取阶段的高斯概率估计图确定相应网络分支的损失值。
步骤S320：根据所有网络分支的损失值确定二维自回归流模型的总损失值。
具体地，在得到不同提取阶段的高斯概率估计图后，利用不同提取阶段的高斯概率估计图计算相应网络分支的损失值，再根据不同网络分支的损失值计算二维自回归流模型的总损失值。
在一些实施方式中，可以通过下式确定网络分支的损失值：
zi＝f(xi)
Figure BDA0004074727060000091
Figure BDA0004074727060000092
其中，Xi为特征提取网络第i个提取阶段输出的训练特征图，f为二维自回归流模型，Zi为第i个提取阶段的高斯概率估计图，Zi,j为第i个提取阶段的高斯概率估计图的第j个像素值，j＝1表示第i个提取阶段的高斯概率估计图的首个像素值，C为高斯概率估计图的通道数，W为高斯概率估计图的宽度，H为高斯概率估计图的高度，Li为与第i个提取阶段对应的网络分支的损失值，
Figure BDA0004074727060000093
为与第i个提取阶段对应的网络分支的雅可比矩阵的行列式。
将第i个提取阶段输出的训练特征图数据输入至二维自回归流模型中，得到第i个提取阶段的高斯概率估计图Zi，再将高斯概率估计图Zi代入上述损失函数中，即可得到第i个提取阶段对应的网络分支的损失值。需要说明的是，训练特征图和高斯概率估计图均可以以张量的表示形式参与上述计算。
在一些实施方式中，可以通过下式确定总损失值：
Figure BDA0004074727060000094
其中，L为二维自回归流模型的总损失值，m为特征提取网络的提取阶段数。
在一些实施方式中，根据总损失值对相应的网络分支的参数进行更新，包括：采用反向传播算法，并根据总损失值更新各个网络分支的参数，直至各个网络分支收敛。具体地，得到二维自回归流模型的总损失值后，根据总损失值并使用反向传播算法更新二维自回归流模型每个网络分支的模型参数，直至二维自回归流模型收敛，来得到训练好的二维自回归流模型。在本实施例中，可以使用反向传播算法优化器(例如Adam优化器)来进行网络分支参数的更新。
作为一个示例，若使用Adam优化器，可以将Adam优化器的学习率设置为0.001.权重衰减率设置为0.00001。设置完成后，使用Adam优化器对二维自回归流模型中各网络分支的模型参数进行更新。重复步骤S210-步骤S240，以不断降低总损失值来优化各网络分支的模型参数，直至二维自回归流模型收敛(即模型参数最优)。重复优化网络分支模型参数的次数可以根据训练特征图的复杂程度人为设定，例如可以将重复次数设置为100次。
二维自回归流模型收敛后，可以将各网络分支的参数进行保存，保存的方式可以为以文件的形式保存。需要说明的是，由于通过训练二维自回归流模型的不同网络分支，最终得到了每个网络分支的模型参数，因此，得到的训练好的二维自回归流模型也相对应有多个网络分支。
由此，通过上述步骤即可得到训练好的二维自回归流模型。训练好的二维自回归流模型可以将正常图片样本中的图像特征的原始分布转换为正态分布，因此不需要构建正样本特征库也能够实现工业缺陷检测，从而解决了无监督异常检测方法构建正样本特征库需要额外的存储空间问题。
在步骤S130中，将各个提取阶段的特征图输入至训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图。图4是本发明实施例的训练好的二维自回归流模型的示意图。如图4所示，若获取了三个提取阶段的特征图，则将这三个提取阶段的特征图分别输入至训练好的二维自回归流模型中相应的网络分支中，以得到三个提取阶段的高斯概率估计图。
步骤S140：根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，以根据异常分数图进行缺陷检测。
需要说明的是，异常分数图能够展现待测图像样本中每个像素点的异常程度(即与正常图片样本的偏离程度)。
图5是本发明实施例的确定异常分数图的方法的流程图。如图5所示，在一些实施方式中，可以通过以下步骤确定待测图像样本的异常分数图：
步骤S510：利用各个提取阶段的高斯概率估计图确定各个提取阶段的子异常分数图。
步骤S520：根据每个提取阶段的子异常分数图确定异常分数图。
具体地，由于通过训练好的二维自回归流模型获取得到的是各个提取阶段高斯概率估计图，因此，需要先通过各个提取阶段的高斯概率估计图确定各个提取阶段的子异常分数图，再通过各个提取阶段的子异常分数图确定待测图像样本的异常分数图。
在一些实施方式中，可以通过下式确定子异常分数图：
Figure BDA0004074727060000101
其中，Mi为第i个提取阶段的子异常分数图，Zi,k 2为第i个提取阶段第k个通道的高斯概率估计图中每个像素值的平方，k＝1表示第i个提取阶段的高斯概率估计图的第1个通道。
在一些实施方式中，可以通过下式确定异常分数图：
Figure BDA0004074727060000102
Figure BDA0004074727060000111
其中，Mu i为将第i个提取阶段的子异常分数图映射于待测图像样本后的子异常分数图，input_size为待测图像样本的输入尺寸，M为异常分数图。
作为一个示例，假如待测图像样本的尺寸为224*224(宽*高)，使用特征提取网络的前三个提取阶段进行特征提取。其中，第一提取阶段的过程为将该待测图像样本的分辨率降低1/2；第二提取阶段的过程为将该待测图像样本的分辨率降低1/4；第三提取阶段的过程为将该待测图像样本的分辨率降低1/8。得到的三个提取阶段输出的特征图尺寸分别为112*112、56*56以及28*28，而通过各个提取阶段的特征图得到的各个提取阶段的子异常分数图的尺寸也为112*112、56*56以及28*28。因此，需要将这三个子异常分数图的尺寸先还原至224*224，以将这三个子异常分数图映射于原待测图像样本上，从而得到各个提取阶段映射于原待测图像样本后的子异常分数图；最后再利用各个提取阶段映射于原待测图像样本后的子异常分数图来确定待测图像样本的异常分数图。
图6是本发明实施例的根据异常分数图进行缺陷检测的方法的流程图。如图6所示，在一些实施方式中，得到待测图像样本的异常分数图后，可以通过以下步骤进行缺陷检测：
步骤S610：确定异常分数图中是否存在异常区域，异常区域中像素点的异常分数大于预设阈值。
步骤S620：若是，则将异常区域映射在待测图像样本的部分进行分割，以得到缺陷图像。
具体地，得到的异常分数图能够展现每个像素点的异常分数，可以将每个像素点的异常分数与预设阈值进行比较；若某一区域大部分像素点的异常分数均大于预设阈值，则说明该区域存在缺陷特征。当找到存在缺陷特征的异常区域后，可以将该异常区域映射在待测图像样本中，并将映射在待测图像样本中的区域进行分割，得到最终的缺陷图像。
需要说明的是，可以利用上述异常分数图的确定方式确定正常图像的异常分数图，以得到正常图像各个像素点的异常分数，并将正常图像各个像素点的异常分数作为各个像素点预设阈值。在进行缺陷检测时，将待测图像样本各个像素点的异常分数与对应的预设阈值进行比较。
另外，在对待测图像样本各个像素点的异常分数与对应预设阈值进行比较后，可以用热力图的形式来展现比较结果。示例地，可以通过热力图中颜色的深浅来展示每个像素点的异常程度，颜色的深浅可以根据比较结果确定，若某区域颜色越深，则代表该区域异常的可能性越高。由此，工作人员能够更加直观地看到缺陷检测结果，快速确定该产品是否存在缺陷。
由此，本发明实施例通过获取待测图像样本，并对待测图像样本进行预处理；再利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图；将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，得到各个提取阶段的高斯概率估计图；再根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，最后根据异常分数图来进行缺陷检测。
整个检测过程不需要构建正样本特征库，通过训练好的二维自回归流模型将正常图片样本的特征从原始分布转换为正态分布，从而节省了存储空间。且通过用训练好的二维自回归流模型的功能代替计算距离或聚类的过程，能够有效降低缺陷检测消耗的时间，提高了工业缺陷检测效率，并达到实时检测的效果，更加适用于工业缺陷检测的应用场景。
图7是本发明一个实施例的工业缺陷检测装置的方框图。
如图7所示，该工业缺陷检测装置700包括：用于获取待测图像样本，并对待测图像样本进行预处理的获取模块710、用于利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图的特征提取模块720、用于将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图的处理模块730、用于根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，以根据异常分数图进行缺陷检测的缺陷检测模块740。
由此，通过获取模块710获取待测图像样本，并对待测图像样本进行预处理；特征提取模块720利用特征提取网络对经过预处理的待测图像样本进行特征提取，得到特征提取网络在多个提取阶段输出的特征图；处理模块730将各个提取阶段的特征图输入至预先训练好的二维自回归流模型中，得到各个提取阶段的高斯概率估计图；缺陷检测模块740根据所有提取阶段的高斯概率估计图确定待测图像样本的异常分数图，最后根据异常分数图来进行缺陷检测。由此，在检测过程中不需要使用正样本特征库，通过将特征图输入至训练好的二维自回归流模型中即可实现特征对比，从而节省了存储空间；且采用该工业缺陷检测方法的操作过程简单，能够提高工业缺陷检测效率。
在一些实施方式中，缺陷检测模块740具体用于：利用各个提取阶段的高斯概率估计图确定各个提取阶段的子异常分数图；根据每个提取阶段的子异常分数图确定异常分数图。
在一些实施方式中，缺陷检测模块740还具体用于：确定异常分数图中是否存在异常区域，异常区域中像素点的异常分数大于预设阈值；若是，则将异常区域映射在待测图像样本的部分进行分割，以得到缺陷图像。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图8是本发明一个实施例的电子设备的结构框图。
如图8所示，图8所示的电子设备800包括：处理器801和存储器803。其中，处理器801和存储器803相连，如通过总线802相连。可选地，电子设备800还可以包括收发器804。需要说明的是，实际应用中收发器804不限于一个，该电子设备800的结构并不构成对本发明实施例的限定。
处理器801可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器801也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线802可包括一通路，在上述组件之间传送信息。总线802可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线802可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器803可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器803用于存储执行本发明请方案的应用程序代码，并由处理器801来控制执行。处理器801用于执行存储器803中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备800包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
需要说明的是，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。
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一定指的是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何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，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，除非另有明确的限定。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。
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 (10)

1.一种工业缺陷检测方法，其特征在于，包括：
获取待测图像样本，并对所述待测图像样本进行预处理；
利用特征提取网络对经过预处理的所述待测图像样本进行特征提取，得到所述特征提取网络在多个提取阶段输出的特征图；
将各个提取阶段的所述特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；
根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，以根据所述异常分数图进行缺陷检测；
所述二维自回归流模型的训练步骤包括：
获取正常图片样本，并将所述正常图片样本进行预处理；
利用所述特征提取网络对经过预处理的所述正常图片样本进行特征提取，以得到所述特征提取网络在多个提取阶段输出的训练特征图；
将各个提取阶段的所述训练特征图输入至待训练的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图，其中，所述二维自回归流模型包括多个网络分支，不同的所述网络分支用于得到不同提取阶段的高斯概率估计图；
根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值；
根据所述总损失值对相应的所述网络分支的参数进行更新，以得到所述训练好的二维自回归流模型；
其中，所述根据各个提取阶段的所述高斯概率估计图确定所述二维自回归流模型的总损失值，包括：
根据各个提取阶段的所述高斯概率估计图确定相应所述网络分支的损失值；
根据所有所述网络分支的损失值确定所述二维自回归流模型的总损失值；
通过下式确定所述网络分支的损失值：
zi＝f(Xi)
Figure FDA0004074727000000011
Figure FDA0004074727000000012
其中，Xi为特征提取网络第i个提取阶段输出的所述训练特征图，f为所述二维自回归流模型，Zi为第i个提取阶段的所述高斯概率估计图，Zi,j为第i个提取阶段的所述高斯概率估计图的第j个像素值，j＝1表示第i个提取阶段的所述高斯概率估计图的首个像素值，C为所述高斯概率估计图的通道数，W为所述高斯概率估计图的宽度，H为所述高斯概率估计图的高度，Li为与第i个提取阶段对应的所述网络分支的损失值，
Figure FDA0004074727000000021
为与第i个提取阶段对应的所述网络分支的雅可比矩阵的行列式。
2.根据权利要求1所述的工业缺陷检测方法，其特征在于，通过下式确定所述总损失值：
Figure FDA0004074727000000022
其中，L为所述二维自回归流模型的所述总损失值，m为所述特征提取网络的提取阶段数。
3.根据权利要求2所述的工业缺陷检测方法，其特征在于，所述根据所述总损失值对相应的所述网络分支的参数进行更新，包括：
采用反向传播算法，并根据所述总损失值更新各个所述网络分支的参数，直至各个所述网络分支收敛。
4.根据权利要求1-3中任一项所述的工业缺陷检测方法，其特征在于，所述根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，包括：
利用各个提取阶段的所述高斯概率估计图确定各个提取阶段的子异常分数图；
根据每个提取阶段的所述子异常分数图确定所述异常分数图。
5.根据权利要求4所述的工业缺陷检测方法，其特征在于，通过下式确定所述子异常分数图：
Figure FDA0004074727000000023
其中，Mi为第i个提取阶段的所述子异常分数图，Zi,k 2为第i个提取阶段第k个通道的所述高斯概率估计图中每个像素值的平方，k＝1表示第i个提取阶段的所述高斯概率估计图的第1个通道。
6.根据权利要求5所述的工业缺陷检测方法，其特征在于，通过下式确定所述异常分数图：
Figure FDA0004074727000000024
Figure FDA0004074727000000031
其中，Mu i为将第i个提取阶段的所述子异常分数图映射于所述待测图像样本后的子异常分数图，input_size为所述待测图像样本的输入尺寸，M为所述异常分数图。
7.根据权利要求1所述的工业缺陷检测方法，其特征在于，所述根据所述异常分数图进行缺陷检测，包括：
确定所述异常分数图中是否存在异常区域，所述异常区域是指像素点的异常分数大于预设阈值的区域；
若是，则将所述异常区域映射在所述待测图像样本的部分进行分割，以得到缺陷图像。
8.一种工业缺陷检测装置，其特征在于，包括：
获取模块，用于获取待测图像样本，并对所述待测图像样本进行预处理；
特征提取模块，用于利用特征提取网络对经过预处理的所述待测图像样本进行特征提取，得到所述特征提取网络在多个提取阶段输出的特征图；
处理模块，用于将各个提取阶段的所述特征图输入至预先训练好的二维自回归流模型中，以得到各个提取阶段的高斯概率估计图；
缺陷检测模块，用于根据所有提取阶段的所述高斯概率估计图确定所述待测图像样本的异常分数图，以根据所述异常分数图进行缺陷检测。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的工业缺陷检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的工业缺陷检测方法。
CN202310105521.2A 2022-11-07 2023-01-30 工业缺陷检测方法、装置及电子设备、存储介质 Pending CN116030237A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022113830541 2022-11-07
CN202211383054.1A CN115496892A (zh) 2022-11-07 2022-11-07 工业缺陷检测方法、装置及电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN116030237A true CN116030237A (zh) 2023-04-28

Family

ID=85115924

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211383054.1A Pending CN115496892A (zh) 2022-11-07 2022-11-07 工业缺陷检测方法、装置及电子设备、存储介质
CN202310105521.2A Pending CN116030237A (zh) 2022-11-07 2023-01-30 工业缺陷检测方法、装置及电子设备、存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211383054.1A Pending CN115496892A (zh) 2022-11-07 2022-11-07 工业缺陷检测方法、装置及电子设备、存储介质

Country Status (1)

Country Link
CN (2) CN115496892A (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496892A (zh) * 2022-11-07 2022-12-20 合肥中科类脑智能技术有限公司 工业缺陷检测方法、装置及电子设备、存储介质
CN116596875B (zh) * 2023-05-11 2023-12-22 哈尔滨工业大学重庆研究院 晶圆缺陷检测方法、装置、电子设备及存储介质
CN117252486B (zh) * 2023-11-14 2024-02-02 长春师范大学 基于物联网的汽车零配件缺陷检测方法及系统
CN117474918B (zh) * 2023-12-27 2024-04-16 苏州镁伽科技有限公司 异常检测方法和装置、电子设备以及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549997A (zh) * 2022-04-27 2022-05-27 清华大学 一种基于区域特征提取的x光图像缺陷检测方法和装置
CN115496892A (zh) * 2022-11-07 2022-12-20 合肥中科类脑智能技术有限公司 工业缺陷检测方法、装置及电子设备、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341499B (zh) * 2017-05-26 2021-01-05 昆明理工大学 一种基于无监督分割和elm的织物缺陷检测和分类方法
US20190080446A1 (en) * 2017-09-11 2019-03-14 All Axis Robotics, LLC System and method for automated defect detection
CN112949344B (zh) * 2019-11-26 2023-03-31 四川大学 一种用于异常检测的特征自回归方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549997A (zh) * 2022-04-27 2022-05-27 清华大学 一种基于区域特征提取的x光图像缺陷检测方法和装置
CN115496892A (zh) * 2022-11-07 2022-12-20 合肥中科类脑智能技术有限公司 工业缺陷检测方法、装置及电子设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DENIS GUDOVSKIY等: "CFLOW-AD：Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows", 《2022 IEEE/CVF WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION（WACV)）》, pages 3 - 5 *

Also Published As

Publication number Publication date
CN115496892A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN116030237A (zh) 工业缺陷检测方法、装置及电子设备、存储介质
CN110991311B (zh) 一种基于密集连接深度网络的目标检测方法
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN111652869B (zh) 基于深度学习的板坯空洞识别方法、系统、介质及终端
CN114708437B (zh) 目标检测模型的训练方法、目标检测方法、装置和介质
CN111932510A (zh) 一种图像清晰度的确定方法及装置
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN113591948A (zh) 一种缺陷模式识别方法、装置、电子设备和存储介质
CN113674288A (zh) 一种非小细胞肺癌数字病理图像组织自动分割方法
CN111178438A (zh) 一种基于ResNet101的天气类型识别方法
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
CN114972258B (zh) 基于机器视觉的电池表面缺陷检测方法、系统及相关设备
CN115187530A (zh) 超声自动乳腺全容积图像的识别方法、装置、终端及介质
CN111597875A (zh) 一种交通标志识别方法、装置、设备及存储介质
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置
CN117746077A (zh) 一种芯片缺陷的检测方法、装置、设备和存储介质
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及系统
CN113628252A (zh) 一种基于热成像视频的泄漏气体云团检测方法
CN115187878A (zh) 基于无人机图像分析的风力发电装置叶片缺陷检测方法
CN111291820B (zh) 一种结合定位信息和分类信息的目标检测方法
CN113392455A (zh) 基于深度学习的户型图比例尺检测方法、装置及电子设备
CN112199984A (zh) 一种大尺度遥感图像的目标快速检测方法
CN112164025A (zh) 螺纹连接件的缺陷检测方法及装置、电子设备和存储介质
CN116883390B (zh) 模糊抵抗性半监督缺陷检测方法、装置及存储介质

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