CN117451716A - 一种工业产品表面缺陷检测方法 - Google Patents

一种工业产品表面缺陷检测方法 Download PDF

Info

Publication number
CN117451716A
CN117451716A CN202311357941.6A CN202311357941A CN117451716A CN 117451716 A CN117451716 A CN 117451716A CN 202311357941 A CN202311357941 A CN 202311357941A CN 117451716 A CN117451716 A CN 117451716A
Authority
CN
China
Prior art keywords
image
defect
noise
module
noise prediction
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
CN202311357941.6A
Other languages
English (en)
Inventor
彭浩
王任欢
王悦
张婧赟
孙硕
王景璟
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202311357941.6A priority Critical patent/CN117451716A/zh
Publication of CN117451716A publication Critical patent/CN117451716A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种工业产品表面缺陷检测方法，包括步骤利用图像采集系统，实时捕获工业产品的表面图像，然后将这些图像数据传输到检测模块中进行分析和处理；利用检测模块中的谱半径特征增强的去噪扩散隐式模型，生成与输入图像数据对应的无缺陷图像；计算输入图像与对应的无缺陷图像间各像素点的异常值，得到像素级缺陷得分；计算全体像素级缺陷得分的平均值，获得整个产品的缺陷得分；根据检测模块中预设的阈值，利用缺陷得分来对产品质量进行评估更进一步，判断存在的缺陷区域，并据此形成最终的检测结果。本发明能够提高工业产品表面缺陷检测过程中的去噪效果，同时减少计算量，适合实时检测，提高了检测精准度的同时提高了检测效率。

Description

一种工业产品表面缺陷检测方法
技术领域
本发明属于工业检测技术领域，特别是涉及一种工业产品表面缺陷检测方法。
背景技术
随着全球制造业的快速发展，工业产品的质量控制成为企业竞争力的核心要素。尤其在智能制造和工业4.0的时代背景下，自动化、精准化的产品表面缺陷检测技术日益受到广泛关注。高效、准确地识别和定位表面缺陷，不仅可以提高出品质量，提高生产效率，更能提升企业声誉和市场地位。
传统的工业产品缺陷检测方法主要依赖于人工视觉检查，但这种方式存在明显的局限性：操作者的疲劳、经验差异以及检测环境的变化都可能导致检测结果的不稳定和不准确。
近年来，随着机器视觉和人工智能技术的不断发展，自主表面缺陷检测技术逐步成熟，为工业领域带来了巨大的变革。然而，工业产品表面的复杂性和多样性，以及在真实生产环境中存在的种种不确定性，如噪声、不均匀的照明和复杂的背景，都为基于机器视觉的表面缺陷检测带来了巨大的挑战。尤其是在高分辨率、高动态范围的图像中，微小、模糊或低对比度的缺陷往往难以被准确检测。因此，如何对这些干扰进行有效的处理，提取出有意义的缺陷特征，成为研究的热点和关键。
传统的图像处理技术如均值滤波、中值滤波等，虽然能够去除部分噪声，但可能会损失图像的细节信息。而近年来的深度学习方法，如自编码器和深度卷积神经网络，虽然具有很好的去噪效果，但计算量大，需要大量的标注数据，并不适合实时应用。
发明内容
为了解决上述问题，本发明提出了一种工业产品表面缺陷检测方法，能够提高工业产品表面缺陷检测过程中的去噪效果，同时减少计算量，适合实时检测，提高了工业产品表面缺陷检测精准度的同时提高了检测效率。
为达到上述目的，本发明采用的技术方案是：一种工业产品表面缺陷检测方法，包括步骤：
S1：利用图像采集系统，实时捕获工业产品的表面图像，然后将这些图像数据传输到检测模块中进行分析和处理；
S2：利用检测模块中的谱半径特征增强的去噪扩散隐式模型，生成与输入图像数据对应的无缺陷图像；
S3：计算输入图像与对应的无缺陷图像间各像素点的异常值，得到像素级缺陷得分；计算全体像素级缺陷得分的平均值，获得整个产品的缺陷得分；
S4：根据检测模块中预设的阈值，利用缺陷得分来对产品质量进行评估更进一步，判断存在的缺陷区域，并据此形成最终的检测结果。
进一步的是，所述检测模块中的谱半径特征增强的去噪扩散隐式模型，包括：
建立谱半径特征增强的去噪扩散隐式模型，利用图像矩阵的谱半径特征及相关性质作为条件，引导并约束自监督网络，从而提升生成样本质量与稳定性；
利用噪声预测网络估计去噪扩散隐式模型扩散过程中的噪声项；通过图像谱特征引导的噪声预测网络训练方法，增强噪声预测网络对输入图像细节特征的感知能力，提升检测模块对小目标缺陷的检测能力；
引入基于Perron根约束项的损失函数，通过将Perron根的固有约束嵌入到噪声预测网络中，进而限制了生成样本的搜索空间。
进一步的是，通过图像谱特征引导的噪声预测网络训练方法，包括步骤：
S31：利用随机数据增强模块，自动地调整图像的亮度、对比度和饱和度，模拟现实环境下光照和摄像机质量带来的色彩差异；
S32：将图像转化为灰度图像；接着，通过上采样方法结合插值技术，提升灰度图像的分辨率；
S33：将灰度图像分割为若干个预定大小的图像块；然后，求解每个图像块的谱半径，从而得到输入图像的谱半径特征矩阵；
S34：利用基于U-net网络结构的噪声预测器将灰度图像和谱半径特征矩阵联合编码为潜在空间中的特征向量，进而预测出当前步应当添加至图像中的高斯噪声矩阵。
进一步的是，所述噪声预测网络包括Input层、DenseNet主干网络、多头注意力机制模块、自适应特征融合模块和Decoder解码部分，
DenseNet主干网络包括依次设置的第一个卷积模块、第一个Dense Block、自适应特征增强层A、第二个卷积模块、第二个Dense Block、自适应特征增强层B、第三个卷积模块、第三个Dense Block、自适应特征增强层C以及第四个Dense Block；每个Dense Block后均接一个多头注意力机制模块；
自适应特征融合模块在每个自适应特征增强层之后，通过学习权重融合前后层特征，增强了网络对细节的捕获能力；
Decoder解码部分结合了特征金字塔结构，包括依次设置的第一个上采样层Upsample与特征融合层FusionA、第一个解码Dense Block、第二个上采样层Upsample与特征融合层FusionB、第二个解码Dense Block、第三个上采样层Upsample与特征融合层FusionC、第三个解码Dense Block，以及最终的输出卷积模块。
进一步的是，所述基于Perron根约束项的损失函数为：
其中，τ表示约束项权重系数，Lfull表示整体损失函数，Lγ表示噪声预测损失，表示Perron约束项，epoch表示训练步长。
进一步的是，在所述基于Perron根约束项的损失函数中：
噪声预测损失为：
其中，表示第t步噪声预测网络，可训练参数为θ，γt表示传播权值系数，∈θ为噪声预测网络，T为最大扩散步长，/>为均值，x0为初始样本，q(x0)为初始样本所服从的概率分布，∈t为第t步添加的高斯噪声矩阵，/>为高斯噪声的均值为0且方差为I，αt为高斯化系数；
Perron约束项损失为：
其中，对于第i个样本，表示其对应的第/>个通道；xguass表示高斯采样，/>表示第i个样本第t步的高斯化系数，α0表示初始样本的高斯化系数，/>代表第i个样本在第/>个通道上的Perron根，而/>是与之对应的特征向量；∈θ噪声预测网络，/>表示第j-1与第j时刻的方差异质系数，/>表示第j-1扩散步的噪声预测网络输入，tj-1表示j-1扩散步的时序标识符。
采用本技术方案的有益效果：
本发明通过利用快速去噪扩散隐式模型来进行工业产品表面缺陷检测，在去噪和保留图像细节之间找到平衡；该方法采用偏微分方程模型，结合图像的局部特征，实现了对噪声的有效抑制，同时尽量保留了图像中的细节和结构信息。这使得它在工业产品表面缺陷检测中具有广泛的应用前景。
本发明公开了一种基于快速去噪扩散隐式模型的工业产品表面缺陷检测方法。由于工业产品表面缺陷缺陷种类繁多且特性难以捕捉，且难以获取有质量的训练样本，因此，利用人工智能技术进行实时、高精度的表面缺陷检测一直是个挑战。针对这一挑战，本发明提出了一种基于快速去噪概率隐式模型的表面缺陷检测方法。首先，本发明提出了一种基于图像谱半径特征张量引导的噪声预测器，增强了生成模型刻画非缺陷区域细节特征的能力，进而改善了模型在多样性和细节表达方面的局限性。然后，本发明提出了基于Perron根的损失函数约束项，旨在将此约束嵌入至表征空间中，使得去噪模型更稳定地产生高质量的样本。
附图说明
图1为本发明的一种工业产品表面缺陷检测方法流程示意图；
图2为本发明实施例中噪声预测网络的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种工业产品表面缺陷检测方法，包括步骤：
S1：利用图像采集系统，实时捕获工业产品的表面图像，然后将这些图像数据传输到检测模块中进行分析和处理；
S2：利用检测模块中的谱半径特征增强的去噪扩散隐式模型，生成与输入图像数据对应的无缺陷图像；
S3：计算输入图像与对应的无缺陷图像间各像素点的异常值，得到像素级缺陷得分；计算全体像素级缺陷得分的平均值，获得整个产品的缺陷得分；
S4：根据检测模块中预设的阈值，利用缺陷得分来对产品质量进行评估更进一步，判断存在的缺陷区域，并据此形成最终的检测结果。
作为上述实施例的优化方案，在步骤S2中，检测模块中的谱半径特征增强的去噪扩散隐式模型，包括：
建立谱半径特征增强的去噪扩散隐式模型，利用图像矩阵的谱半径特征及相关性质作为条件，引导并约束自监督网络，从而提升生成样本质量与稳定性；
利用噪声预测网络估计去噪扩散隐式模型扩散过程中的噪声项；通过图像谱特征引导的噪声预测网络训练方法，增强噪声预测网络对输入图像细节特征的感知能力，提升检测模块对小目标缺陷的检测能力；
引入基于Perron根约束项的损失函数，通过将Perron根的固有约束嵌入到噪声预测网络中，进而限制了生成样本的搜索空间。
其中，通过图像谱特征引导的噪声预测网络训练方法，包括步骤：
S31：利用随机数据增强模块，自动地调整图像的亮度、对比度和饱和度，模拟现实环境下光照和摄像机质量带来的色彩差异；
S32：将图像转化为灰度图像，
可利用下述公式(1)将图像转化为灰度图像
gray＝0.299*red+0.587*green+0.114*
blue(1)；
接着，通过上采样方法结合插值技术，提升灰度图像的分辨率；
S33：将灰度图像分割为若干个预定大小的图像块；然后，求解每个图像块的谱半径，从而得到输入图像的谱半径特征矩阵；
S34：利用基于U-net网络结构的噪声预测器将灰度图像和谱半径特征矩阵联合编码为潜在空间中的特征向量，进而预测出当前步应当添加至图像中的高斯噪声矩阵。
其中，如图2所示，所述噪声预测网络包括Input层、DenseNet主干网络、多头注意力机制模块、自适应特征融合模块和Decoder解码部分，
DenseNet主干网络包括依次设置的第一个卷积模块、第一个Dense Block、自适应特征增强层A、第二个卷积模块、第二个Dense Block、自适应特征增强层B、第三个卷积模块、第三个Dense Block、自适应特征增强层C以及第四个Dense Block；每个Dense Block后均接一个多头注意力机制模块，这不仅可以加强特征之间的关联性，还可以为特征图提供更丰富的上下文信息；
自适应特征融合模块在每个自适应特征增强层之后，通过学习权重融合前后层特征，增强了网络对细节的捕获能力；
Decoder解码部分结合了特征金字塔结构，包括依次设置的第一个上采样层Upsample与特征融合层FusionA、第一个解码Dense Block、第二个上采样层Upsample与特征融合层FusionB、第二个解码Dense Block、第三个上采样层Upsample与特征融合层FusionC、第三个解码Dense Block，以及最终的输出卷积模块，这确保了多尺度特征的整合，提升了噪声预测的准确性。
其中，所述基于Perron根约束项的损失函数为：
其中，τ表示约束项权重系数，Lfull表示整体损失函数，Lγ表示噪声预测损失，表示Perron约束项，epoch表示训练步长。
(1)对于噪声预测损失：
在固定方差的情况下，正态分布的Kullback-Leibler(KL)散度可以简化成均值的均方误差(MSE)。通过这一简化过程，得出能够直接对高斯噪声的预测进行优化的损失函数，可以描述噪声预测损失为：
其中，表示第t步噪声预测网络，可训练参数为θ，γt表示传播权值系数，∈θ为噪声预测网络，T为最大扩散步长，/>为均值，x0为初始样本，q(x0)为初始样本所服从的概率分布，∈t为第t步添加的高斯噪声矩阵，/>为高斯噪声的均值为0且方差为I，αt为高斯化系数。
(2)对于Perron约束项：
给定两个相邻的时间步t1和t2，若t1时刻的解为则可利用式(7)推导t2时刻的解/>
其中，表示反函数。
结合去噪扩散隐式模型与公式(5)～(7)所表述的采样技术，建立起高斯采样与生成样本间的推断过程，如下式所示：
其中，xguass表示高斯采样。
利用式(8)结合Perron-Frobenius定理，对于无标签的数据集，获得Perron约束项损失为：
其中，对于第i个样本，表示其对应的第/>个通道；xguass表示高斯采样，/>表示第i个样本第t步的高斯化系数，α0表示初始样本的高斯化系数，/>代表第i个样本在第/>个通道上的Perron根，而/>是与之对应的特征向量；∈θ噪声预测网络，/>表示第j-1与第j时刻的方差异质系数，/>表示第j-1扩散步的噪声预测网络输入，tj-1表示j-1扩散步的时序标识符。
本发明所提出的基于快速去噪扩散隐式模型的工业产品表面缺陷检测方法旨在通常引入条件引导约束自监督网络来增强样本生成的稳定性，从而提升工业制品表面缺陷检测的准确性。在表面缺陷检测任务中，为确保算法的实时性，对采集到的产品图像进行压缩是一个必不可少的步骤。该过程势必会破坏掉图像细节特征的完整性，从而降低网络对图像细节信息的敏感度，进一步影响到对微小区域缺陷的准确检测。为解决该问题，首先将图像的谱特征信息输入网络。这样做可以在训练阶段增强网络对图像细节特征的感知能力。然后，通过以DenseNet为骨干网络的Encoder模块编码这些信息，并映射至潜在的表示空间。接着，使用解码器将潜在表示逆映射至样本空间，从而获得虚拟样本。此外，为确保生成样本的张量元素始终为非负，本发明引入了一种基于Perron根的约束项，进一步提升生成样本的稳定性。本发明选用谱半径作为图像中每个像素块的关键特征，这样做的主要动机是：缺陷图像块与正常图像块在谱半径上存在显著差异。可认为这两类图像块谱半径服从的分布规律是不同的。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种工业产品表面缺陷检测方法，其特征在于，包括步骤：
S1:利用图像采集系统，实时捕获工业产品的表面图像，然后将这些图像数据传输到检测模块中进行分析和处理；
S2:利用检测模块中的谱半径特征增强的去噪扩散隐式模型，生成与输入图像数据对应的无缺陷图像；
S3:计算输入图像与对应的无缺陷图像间各像素点的异常值，得到像素级缺陷得分；计算全体像素级缺陷得分的平均值，获得整个产品的缺陷得分；
S4：根据检测模块中预设的阈值，利用缺陷得分来对产品质量进行评估更进一步，判断存在的缺陷区域，并据此形成最终的检测结果。
2.根据权利要求1所述的一种工业产品表面缺陷检测方法，其特征在于，所述检测模块中的谱半径特征增强的去噪扩散隐式模型，包括：
建立谱半径特征增强的去噪扩散隐式模型，利用图像矩阵的谱半径特征及相关性质作为条件，引导并约束自监督网络，从而提升生成样本质量与稳定性；
利用噪声预测网络估计去噪扩散隐式模型扩散过程中的噪声项；通过图像谱特征引导的噪声预测网络训练方法，增强噪声预测网络对输入图像细节特征的感知能力，提升检测模块对小目标缺陷的检测能力；
引入基于Perron根约束项的损失函数，通过将Perron根的固有约束嵌入到噪声预测网络中，进而限制了生成样本的搜索空间。
3.根据权利要求2所述的一种工业产品表面缺陷检测方法，其特征在于，通过图像谱特征引导的噪声预测网络训练方法，包括步骤：
S31:利用随机数据增强模块，自动地调整图像的亮度、对比度和饱和度，模拟现实环境下光照和摄像机质量带来的色彩差异；
S32:将图像转化为灰度图像；接着，通过上采样方法结合插值技术，提升灰度图像的分辨率；
S33:将灰度图像分割为若干个预定大小的图像块；然后，求解每个图像块的谱半径，从而得到输入图像的谱半径特征矩阵；
S34:利用基于U-net网络结构的噪声预测器将灰度图像和谱半径特征矩阵联合编码为潜在空间中的特征向量，进而预测出当前步应当添加至图像中的高斯噪声矩阵。
4.根据权利要求2或3所述的一种工业产品表面缺陷检测方法，其特征在于，所述噪声预测网络包括Input层、DenseNet主干网络、多头注意力机制模块、自适应特征融合模块和Decoder解码部分，
DenseNet主干网络包括依次设置的第一个卷积模块、第一个Dense Block、自适应特征增强层A、第二个卷积模块、第二个Dense Block、自适应特征增强层B、第三个卷积模块、第三个Dense Block、自适应特征增强层C以及第四个Dense Block；每个Dense Block后均接一个多头注意力机制模块；
自适应特征融合模块在每个自适应特征增强层之后，通过学习权重融合前后层特征，增强了网络对细节的捕获能力；
Decoder解码部分结合了特征金字塔结构，包括依次设置的第一个上采样层Upsample与特征融合层FusionA、第一个解码Dense Block、第二个上采样层Upsample与特征融合层FusionB、第二个解码Dense Block、第三个上采样层Upsample与特征融合层FusionC、第三个解码Dense Block，以及最终的输出卷积模块。
5.根据权利要求2所述的一种工业产品表面缺陷检测方法，其特征在于，所述基于Perron根约束项的损失函数为：
其中，τ表示约束项权重系数，Lfull表示整体损失函数，Lγ表示噪声预测损失，表示Perron约束项，epoch表示训练步长。
6.根据权利要求4所述的一种工业产品表面缺陷检测方法，其特征在于，在所述基于Perron根约束项的损失函数中：
噪声预测损失为：
其中，表示第t步噪声预测网络，可训练参数为θ，γt表示传播权值系数，∈θ为噪声预测网络，T为最大扩散步长，/>为均值，x0为初始样本，q(x0)为初始样本所服从的概率分布，∈t为第t步添加的高斯噪声矩阵，/>为高斯噪声的均值为0且方差为I，αt为高斯化系数；
Perron约束项损失为：
其中，对于第i个样本，ζ表示其对应的第ζ个通道；xguass表示高斯采样，表示第i个样本第t步的高斯化系数，α0表示初始样本的高斯化系数，/>代表第i个样本在第ζ个通道上的Perron根，而/>是与之对应的特征向量；∈θ噪声预测网络，/>表示第j-1与第j时刻的方差异质系数，/>表示第j-1扩散步的噪声预测网络输入，tj-1表示j-1扩散步的时序标识符。
CN202311357941.6A 2023-10-19 2023-10-19 一种工业产品表面缺陷检测方法 Pending CN117451716A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311357941.6A CN117451716A (zh) 2023-10-19 2023-10-19 一种工业产品表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311357941.6A CN117451716A (zh) 2023-10-19 2023-10-19 一种工业产品表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN117451716A true CN117451716A (zh) 2024-01-26

Family

ID=89592138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311357941.6A Pending CN117451716A (zh) 2023-10-19 2023-10-19 一种工业产品表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN117451716A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934858A (zh) * 2024-03-21 2024-04-26 之江实验室 一种点云的处理方法、装置、存储介质及电子设备
CN118396980A (zh) * 2024-05-27 2024-07-26 浙江稳达减振器有限公司 基于机器视觉的新能源汽车减震杆检测系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934858A (zh) * 2024-03-21 2024-04-26 之江实验室 一种点云的处理方法、装置、存储介质及电子设备
CN117934858B (zh) * 2024-03-21 2024-06-04 之江实验室 一种点云的处理方法、装置、存储介质及电子设备
CN118396980A (zh) * 2024-05-27 2024-07-26 浙江稳达减振器有限公司 基于机器视觉的新能源汽车减震杆检测系统及方法

Similar Documents

Publication Publication Date Title
CN117451716A (zh) 一种工业产品表面缺陷检测方法
CN110705376A (zh) 一种基于生成式对抗网络的异常行为检测方法
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN112837295A (zh) 一种基于生成对抗网络的橡胶手套缺陷检测方法
CN114972213A (zh) 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法
CN112116537B (zh) 图像反射光消除方法及图像反射光消除网络构建方法
CN114742799B (zh) 基于自监督异构网络的工业场景未知类型缺陷分割方法
CN101706965A (zh) 基于高斯混合模型区域图像彩色化处理的方法
CN113297988B (zh) 一种基于域迁移和深度补全的物体姿态估计方法
CN116757988B (zh) 基于语义丰富和分割任务的红外与可见光图像融合方法
CN113033432A (zh) 一种基于渐进监督的遥感影像居民区提取方法
CN112668754B (zh) 一种基于多源特征信息融合的电力设备缺陷诊断方法
CN114565594A (zh) 基于软掩膜对比损失的图像异常检测方法
CN117635585A (zh) 一种基于教师-学生网络的纹理表面缺陷检测方法
CN115588237A (zh) 一种基于单目rgb图像的三维手部姿态估计方法
CN117392116A (zh) 一种超宽幅金属表面瑕疵检测与识别方法
CN117078608B (zh) 一种基于双掩码引导的高反光皮革表面缺陷检测方法
CN116704316A (zh) 基于阴影图像重构的变电站渗漏油检测方法、系统及介质
CN111275751A (zh) 一种无监督绝对尺度计算方法及系统
CN116630989A (zh) 智能电表可视故障检测方法、系统、电子设备及存储介质
CN116597503A (zh) 一种基于时空特征的课堂行为检测方法
CN111681176B (zh) 自适应卷积的残差修正单幅图像去雨方法
CN114913092A (zh) 一种在线铁谱反射光图像增强方法及系统
CN113920087A (zh) 基于深度学习的微小元器件缺陷检测系统及方法
CN117726627B (zh) 芯片表面缺陷检测方法及设备

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