工业缺陷检测方法、装置及电子设备、存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116030237A(43)申请公布日2023.04.28(21)申请号202310105521.2G06V10/40(2022.01)(22)申请日2023.01.30G06V10/766(2022.01)G06V10/774(2022.01)(66)本国优先权数据G06V10/26(2022.01)202211383054.12022.11.07CN(71)申请人合肥中科类脑智能技术有限公司地址230000安徽省合肥市高新区望江西路5089号中国科大先进技术研究院一号嵌入式研发楼3楼301室(72)发明人张海涛孙涛艾坤刘海峰王子磊(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201专利代理师张娜(51)Int.Cl.G06V10/20(2022.01)权利要求书3页说明书13页附图5页(54)发明名称工业缺陷检测方法、装置及电子设备、存储介质(57)摘要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。CN116030237ACN116030237A权利要求书1/3页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)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，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：2CN116030237A权利要求书2/3页其中，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：2其中，Mi为第i个提取阶段的所述子异常分数图，Zi,k为第i个提取阶段第k