【技术实现步骤摘要】
本申请涉及工业缺陷检测，具体涉及一种缺陷检测方法、装置、设备和存储介质。
技术介绍
1、目前，工业缺陷检测是自动化领域中的重要研究热点，在许多工业制造领域中都有广泛应用。工业缺陷检测是是指在工业生产过程中，发现并定位产品中存在的缺陷和异常，以保证产品的合格率和安全率。然而现有的工业缺陷检测方法存在缺陷检测性能不足且现有的工业缺陷检测方法无法全程有效覆盖缺陷样本，导致工业缺陷检测精度降低。
技术实现思路
1、本申请实施例提供一种缺陷检测方法、装置、设备和存储介质，旨在解决现有技术中工业缺陷检测性能不足且检测精度较低的技术问题。
2、一方面，本申请实施例提供一种缺陷检测方法，所述缺陷检测方法包括以下步骤：
3、响应缺陷检测事件，获取所述缺陷检测事件对应的目标检测对象的目标检测数据；
4、对所述目标检测数据进行多视角特征提取，得到所述目标检测数据对应的目标对象特征，所述目标对象特征包括局部注意力特征、自注意力特征和全局注意力特征中至少一种；
5、基于预设的目标边回归图模型对所述目标对象特征进行缺陷检测，得到所述目标检测对象的缺陷检测结果。
6、在本申请一种可能的实现方式中，所述基于预设的目标边回归图模型对所述目标对象特征进行缺陷检测，得到所述目标检测对象的缺陷检测结果之前，还包括：
7、获取缺陷样本数据集，所述缺陷样本数据集中包含各缺陷样本数据；
8、基于预设的特征提取模型对各所述缺陷样本数据进行多视角特
9、基于所述样本对象特征和预设图模型结构构建初始边回归图模型；
10、基于预设的分类损失函数和预设交叉熵损失函数对所述初始边回归图模型进行缺陷检测训练，得到目标边回归图模型。
11、在本申请一种可能的实现方式中，所述基于所述样本对象特征和预设图模型结构构建初始边回归图模型，包括：
12、基于预设图模型结构对所述样本对象特征进行非线性映射，得到映射样本特征，所述映射样本特征包括局部映射特征、全局映射特征和自注意力映射特征；
13、基于所述局部映射特征、所述全局映射特征和所述自注意力映射特征构建初始边回归图模型。
14、在本申请一种可能的实现方式中，所述基于预设的分类损失函数和预设的交叉熵损失函数对所述初始边回归图模型进行缺陷检测训练，得到目标边回归图模型，包括：
15、驱动所述初始边回归图模型对所述样本对象特征进行分类训练，得到分类输出特征和所述分类输出特征对应的训练输出标签；
16、基于所述样本对象特征关联的预设样本标签和所述训练输出标签生成所述初始边回归图模型的分类损失函数；
17、基于所述分类损失函数和预设的交叉熵损失函数对所述初始边回归图模型进行联合训练，得到目标边回归图模型。
18、在本申请一种可能的实现方式中，所述基于预设的分类损失函数和预设的交叉熵损失函数对所述初始边回归图模型进行缺陷检测训练，得到目标边回归图模型，包括：
19、基于所述初始边回归图模型对所述样本对象特征进行预测训练，得到所述样本对象特征的缺陷样本概率；
20、根据所述缺陷样本概率和所述缺陷样本概率的概率对数生成所述初始边回归图模型的交叉熵损失函数；
21、基于所述分类损失函数和所述交叉熵损失函数对所述初始边回归图模型进行联合训练，得到目标边回归图模型。
22、在本申请一种可能的实现方式中，所述基于所述分类损失函数和所述交叉熵损失函数对所述初始边回归图模型进行联合训练，得到目标边回归图模型，包括：
23、获取所述初始边回归图模型的第一控制超参数和第二控制超参数；
24、基于所述第一控制超参数对所述分类损失函数进行加权，得到目标分类损失函数，基于所述第二控制超参数对所述交叉熵损失函数进行加权，得到目标交叉熵损失函数；
25、根据所述目标分类损失函数和所述目标交叉熵损失函数生成所述初始边回归图模型的目标损失函数；
26、基于所述目标损失函数对所述初始边回归图模型进行联合训练，得到目标边回归图模型。
27、在本申请一种可能的实现方式中，所述基于预设的目标边回归图模型对所述目标对象特征进行缺陷检测，得到所述目标检测对象的缺陷检测结果，包括：
28、获取所述目标边回归图模型的缺陷样本特征，根据所述缺陷样本特征和所述目标对象特征计算特征相似度；
29、若所述特征相似度大于预设相似度阈值，则输出所述缺陷样本特征关联的缺陷分类结果；
30、若所述特征相似度小于预设相似度阈值，则基于所述目标边回归图模型对所述目标对象特征进行缺陷预测，输出所述目标对象特征对应的缺陷预测结果。
31、另一方面，本申请提供一种缺陷检测装置，所述缺陷检测装置包括：
32、数据获取模块，被配置为响应缺陷检测事件，获取所述缺陷检测事件对应的目标检测对象的目标检测数据；
33、特征提取模块，被配置为对所述目标检测数据进行多视角特征提取，得到所述目标检测数据对应的目标对象特征，所述目标对象特征包括局部注意力特征、自注意力特征和全局注意力特征中至少一种；
34、缺陷检测模块，被配置为基于预设的目标边回归图模型对所述目标对象特征进行缺陷检测，得到所述目标检测对象的缺陷检测结果。
35、另一方面，本申请还提供一种缺陷检测设备，所述缺陷检测设备包括：
36、一个或多个处理器；
37、存储器；以及
38、一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的缺陷检测方法的步骤。
39、另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的缺陷检测方法中的步骤。
40、本申请中通过响应缺陷检测事件，获取所述缺陷检测事件对应的目标检测对象的目标检测数据；对所述目标检测数据进行多视角特征提取，得到所述目标检测数据对应的目标对象特征，所述目标对象特征包括局部注意力特征、自注意力特征和全局注意力特征中至少一种；基于预设的目标边回归图模型对所述目标对象特征进行缺陷检测，得到所述目标检测对象的缺陷检测结果。实现通过获取目标检测对象的多视角注意力特征(即目标对象特征)，从多个维度获取目标检测数据中的特征信息，从而降低因采集角度、环境和尺度情况等采集因素造成的干扰，进而有效地提高缺陷检测精度。并且还通过预设的目标边回归图模型针对多维度的目标对象特征进行缺陷分类和缺陷预测等缺陷分类检测，以提高缺陷检测的覆盖率，提高工业缺陷检测精度及检测性能。
本文档来自技高网...【技术保护点】
1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括：
2.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于预设的目标边回归图模型对所述目标对象特征进行缺陷检测，得到所述目标检测对象的缺陷检测结果之前，还包括：
3.根据权利要求2所述的缺陷检测方法，其特征在于，所述基于所述样本对象特征和预设图模型结构构建初始边回归图模型，包括：
4.根据权利要求2所述的缺陷检测方法，其特征在于，所述基于预设的分类损失函数和预设的交叉熵损失函数对所述初始边回归图模型进行缺陷检测训练，得到目标边回归图模型，包括：
5.根据权利要求2所述的缺陷检测方法，其特征在于，所述基于预设的分类损失函数和预设的交叉熵损失函数对所述初始边回归图模型进行缺陷检测训练，得到目标边回归图模型，包括：
6.根据权利要求5所述的缺陷检测方法，其特征在于，所述基于所述分类损失函数和所述交叉熵损失函数对所述初始边回归图模型进行联合训练，得到目标边回归图模型，包括：
7.根据权利要求1-6任一项所述的缺陷检测方法，其特征在于，所述基于预设的目标边回归图
8.一种缺陷检测装置，其特征在于，所述缺陷检测装置包括：
9.一种缺陷检测设备，其特征在于，所述缺陷检测设备包括：
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7中任一项所述的缺陷检测方法的步骤。
...【技术特征摘要】
1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括：
2.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于预设的目标边回归图模型对所述目标对象特征进行缺陷检测，得到所述目标检测对象的缺陷检测结果之前，还包括：
3.根据权利要求2所述的缺陷检测方法，其特征在于，所述基于所述样本对象特征和预设图模型结构构建初始边回归图模型，包括：
4.根据权利要求2所述的缺陷检测方法，其特征在于，所述基于预设的分类损失函数和预设的交叉熵损失函数对所述初始边回归图模型进行缺陷检测训练，得到目标边回归图模型，包括：
5.根据权利要求2所述的缺陷检测方法，其特征在于，所述基于预设的分类损失函数和预设的交叉熵损失函数对所述初始边回归图模型进行缺陷检测...
【专利技术属性】
技术研发人员：张红治，李冬，宋志扬，李楠，胡瑞敏，江游，熊明福，俞大海，阮志锋，
申请(专利权)人：格创东智深圳科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。