图像缺陷检测方法、系统及相关装置制造方法及图纸

本申请公开了图像缺陷检测方法、系统及相关装置，该方法包括：获取两个以上模型结构相同的目标模型S，将待检测图像分别输入各目标模型S，得到待检测图像在不同尺度下的目标特征张量，根据目标特征张量计算各尺度分别对应的异常注意力目标矩阵，根据异常注意力目标矩阵判断待检测图像是否为缺陷图像，并对缺陷图像的缺陷所在位置进行定位。由模型T蒸馏学习得的目标模型S，无需使用缺陷样本图像，通过无缺陷的正常样本图像便能完成模型训练，故本目标模型S轻量化，且模型响应时延能得到有效的降低，使得对待检测图像的类别预测，及其为缺陷图像时的缺陷定位进程得以加速，从而在减少人工投入的同时，又能提高图像的检测精度和时效性。效性。效性。

【技术实现步骤摘要】
图像缺陷检测方法、系统及相关装置


[0001]本申请实施例涉及视觉检测
，尤其涉及图像缺陷检测方法、系统及相关装置。

技术介绍

[0002]伴随着人工智能和计算机视觉等技术的不断进步，以及政策的驱动，机器视觉产业正经历一个快速的发展阶段，且应用越来越广泛，市场需求巨大。
[0003]现阶段，视觉检测系统生产商需要人工确认出客户端的缺样品和样品检测参数，随后再投入漫长的产品开发调试或算法预测等过程；但对于要求更进一步的精密产品外观检测，因其产品结构复杂、材质多样化，或专业鸿沟所引起的理解差异，常致使人工对缺陷样品图像的获取困难或对样本缺陷的定位标注效果不准，故需重新获取或检验缺陷样品图像，否则易影响后续的算法预测等结果，而这过程中将耗费大量的劳动成本或引发多重的反复作业，降低产业线的成品时效。
[0004]因此，有必要提供有效的解决方案，缩短缺陷检测流程的检测周期，加快任务响应进程和产品生产效率。

技术实现思路

[0005]本申请实施例提供了图像缺陷检测方法、系统及相关装置，用以提高对产品外观缺陷的检测效率。
[0006]本申请实施例第一方面提供一种图像缺陷检测方法，包括：
[0007]获取两个以上模型结构相同的目标学生图像检测模型S，每一所述目标模型S由预先训练完成的教师图像检测模型和样本图像训练得到，所述样本图像包含无缺陷的正常样本图像但不包含缺陷样本图像，所述目标模型S和所述模型T之间的内部模块划分及所述模块对应输出的下采样图像尺度相同；
[0008]将待检测图像分别输入各所述目标模型S，得到所述待检测图像在不同尺度下的目标特征张量；
[0009]根据所述目标特征张量计算各尺度分别对应的异常注意力目标矩阵；
[0010]根据所述异常注意力目标矩阵判断所述待检测图像是否为缺陷图像，并对所述缺陷图像的缺陷所在位置进行定位。
[0011]本申请实施例第二方面提供一种图像缺陷检测系统，包括：
[0012]获取单元，用于获取两个以上模型结构相同的目标学生图像检测模型S，每一所述目标模型S由预先训练完成的教师图像检测模型和样本图像训练得到，所述样本图像包含无缺陷的正常样本图像但不包含缺陷样本图像，所述目标模型S和所述模型T之间的内部模块划分及所述模块对应输出的下采样图像尺度相同；
[0013]处理单元，用于将待检测图像分别输入各所述目标模型S，得到所述待检测图像在不同尺度下的目标特征张量；
[0014]计算单元，用于根据所述目标特征张量计算各尺度分别对应的异常注意力目标矩阵；
[0015]所述处理单元，还用于根据所述异常注意力目标矩阵判断所述待检测图像是否为缺陷图像，并对所述缺陷图像的缺陷所在位置进行定位。
[0016]可选地，所述获取单元具体用于：
[0017]获取预先训练完成的所述模型T；
[0018]根据所述模型T构建两个以上模型结构相同的初始模型S；
[0019]将正常样本图像分别输入所述模型T和所述初始模型S，得到各模型内部每一模块输出的初始特征张量；
[0020]根据各所述初始特征张量构造模型T和所有初始模型S之间的损失函数，并根据所述损失函数值训练每一初始模型S，直至所述初始模型S成为满足收敛条件的所述目标模型S。
[0021]可选地，所述获取单元具体用于：
[0022]计算模型T和每一初始模型S之间的余弦相似度，并根据所述余弦相似度构造得范数形式的损失函数；
[0023]或，
[0024]计算模型T和每一初始模型S之间的均方误差，并根据得到的各所述均方误差构造得均方形式的损失函数。
[0025]可选地，所述获取单元具体用于：
[0026]根据所述损失函数值，采用梯度下降法将每一初始模型S训练至满足所述收敛条件，以得到目标模型S。
[0027]可选地，所述计算单元具体用于：
[0028]根据同一尺度下的目标特征张量计算当前尺度下的异常注意力初矩阵，所述异常注意力初矩阵的大小用于表示当前尺度下的图像为缺陷图像的概率；
[0029]将不同尺度下的异常注意力初矩阵上采样到所述待检测图像的原尺寸大小，以得到各个对应待检测图像的原尺寸的异常注意力目标矩阵。
[0030]可选地，所述处理单元具体用于：
[0031]对所有异常注意力目标矩阵内的各元素进行大小比较，并判断其中的最大元素值是否大于预设阈值；
[0032]若大于预设阈值，则确定所述待检测图像为缺陷图像；
[0033]若未大于预设阈值，则确定所述待检测图像为正常图像。
[0034]可选地，所述处理单元具体用于：
[0035]对所有异常注意力目标矩阵进行融合处理，得到异常注意力融合矩阵；
[0036]根据预设阈值对所述异常注意力融合矩阵进行二值化处理，以得到对应缺陷图像的二值化图；
[0037]查找所述二值化图中异常注意力目标矩阵大于零的区域，并确定所述区域为缺陷的所在位置。
[0038]本申请实施例第三方面提供一种图像缺陷检测装置，包括：
[0039]中央处理器，存储器以及输入输出接口；
[0040]所述存储器为短暂存储存储器或持久存储存储器；
[0041]所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行本申请实施例第一方面或第一方面的任一具体实现方式所描述的方法。
[0042]本申请实施例第四方面提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如本申请实施例第一方面或第一方面的任一具体实现方式所描述的方法。
[0043]本申请实施例第五方面提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如本申请实施例第一方面或第一方面的任一具体实现方式所描述的方法。
[0044]从以上技术方案可以看出，本申请实施例具有以下优点：
[0045]由模型T蒸馏学习得的目标模型S，无需使用缺陷样本图像，通过无缺陷的正常样本图像便能完成模型训练，故可见，本申请实施例的目标模型S轻量化，且模型响应时延能得到有效的降低，使得对待检测图像的类别预测(为缺陷图像还是正常图像)，及其为缺陷图像时的缺陷定位进程得以加速，从而在减少人工投入的同时，又能提高图像的检测精度和时效性。
附图说明
[0046]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0047]图1为本申请实施例图像缺陷检测方法的一个流程示意图；
[0048]图2为本申请实施例图像缺陷检测方法的另一流程示意图；
[0049]图3为本申请实施例目标模型S的训练流程示意图；
[0050]图4为本申请实施例图像缺陷检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像缺陷检测方法，其特征在于，包括：获取两个以上模型结构相同的目标学生图像检测模型S，每一所述目标模型S由预先训练完成的教师图像检测模型和样本图像训练得到，所述样本图像包含无缺陷的正常样本图像但不包含缺陷样本图像，所述目标模型S和所述模型T之间的内部模块划分及所述模块对应输出的下采样图像尺度相同；将待检测图像分别输入各所述目标模型S，得到所述待检测图像在不同尺度下的目标特征张量；根据所述目标特征张量计算各尺度分别对应的异常注意力目标矩阵；根据所述异常注意力目标矩阵判断所述待检测图像是否为缺陷图像，并对所述缺陷图像的缺陷所在位置进行定位。2.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述目标模型S的训练步骤包括：获取预先训练完成的所述模型T；根据所述模型T构建两个以上模型结构相同的初始模型S；将正常样本图像分别输入所述模型T和所述初始模型S，得到各模型内部每一模块输出的初始特征张量；根据各所述初始特征张量构造模型T和所有初始模型S之间的损失函数，并根据所述损失函数值训练每一初始模型S，直至所述初始模型S成为满足收敛条件的所述目标模型S。3.根据权利要求2所述的图像缺陷检测方法，其特征在于，所述根据各所述初始特征张量构造模型T和所有初始模型S之间的损失函数，具体包括以下任一种损失函数构造方式：计算模型T和每一初始模型S之间的余弦相似度，并根据所述余弦相似度构造得范数形式的损失函数；或，计算模型T和每一初始模型S之间的均方误差，并根据得到的各所述均方误差构造得均方形式的损失函数。4.根据权利要求2或3所述的图像缺陷检测方法，其特征在于，所述根据所述损失函数值训练每一初始模型S，包括：根据所述损失函数值，采用梯度下降法将每一初始模型S训练至满足所述收敛条件，以得到目标模型S。5.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述根据所述目标特征张量计算各尺度分别对应的异常注意力目标矩阵，包括：根据同一尺度下的目标特征张量计算当前尺度下的异常注意力初矩阵，所述异常注意力初矩阵的大小用于表示当前尺度下的图像为缺陷图像的概率；将不...

【专利技术属性】
技术研发人员：夏轩，丁宁，何星，李南，张晓光，马琳，张爱东，
申请(专利权)人：深圳市人工智能与机器人研究院，
类型：发明
国别省市：