【技术实现步骤摘要】
本专利技术属于工业缺陷检测，具体涉及一种基于差异增强特征重建的缺陷检测方法及装置。
技术介绍
1、缺陷检测是工业生产中的关键环节，关系到产品的质量控制以及生产效率。传统的人工目视缺陷检查方法通过放大镜等工具直接观察产品表面，识别裂纹、划痕、变形等缺陷，依赖操作人员的经验和技能，容易受到主观因素影响，存在成本高、效率低、一致性差等问题，无法适应大规模生产。为解决人工目视缺陷检查方法的缺陷，出现了机器视觉辅助的缺陷检测方法，但是现有的机器视觉检测算法通常是通过边缘检测、模板匹配、直方图分析等技术开展缺陷分析，这些方式存在鲁棒性较差、难以适用于多种缺陷类型等问题。
技术实现思路
1、本专利技术的目的是提出一种基于差异增强特征重建的缺陷检测方法及装置，对不同大小、不同类型的缺陷均能够准确检测，鲁棒性强。
2、本专利技术通过以下技术方案实现：
3、一种基于差异增强特征重建的缺陷检测方法，包括如下步骤：
4、步骤s1、分别获得正常样本和测试样本的多层级的特征，多层级的特征具有细节纹理信息以及上下文语义信息；
5、步骤s2、构建正常特征记忆池，将由正常样本对应的多层级的特征存储在正常特征记忆池中，利用k近邻检索得到测试样本的k近邻索引，根据该k近邻索引在记忆池中查询对应的正常样本特征以得到参考特征，进而根据测试样本的多层级的特征与参考特征得到多层级的差异特征，并将多层级的差异特征与测试样本的多层级的特征进行拼接得到多层级的拼接特征；
6
7、进一步的，所述步骤s1中，根据公式获取正常样本 i i的第 l层级的特征，其中， i i表示第 i个正常样本，正常样本为产品的无缺陷图像，表示特征提取器第 l层输出， l=1,2,3，特征提取器采用imagenet数据集上预训练的wideresnet50网络。
8、进一步的，所述步骤s1中，使用全局平均池化层分别对正常样本和测试样本的各层级的特征进行处理，得到正常样本特征和测试样本特征。
9、进一步的，所述步骤s2具体包括如下步骤：
10、步骤s21、构建正常特征记忆池，将正常样本特征存储在记忆池 m l中，其中， n为正常样本数量；
11、步骤s22、根据公式得到测试样本 i q的 k个k近邻索引knn( i q ,k)，其中，， k表示测试样本 i q的邻居数量，表示经过全局平均池化处理的测试样本 i q的第三层级的特征，表示经过全局平均池化处理的正常样本 i i的第三层级的特征，argsort(.)表示进行排序并提取索引；
12、步骤s23、基于步骤s22所得的k近邻索引，在记忆池中查询对应于各k近邻索引的第 l层的正常样本特征，并取这些正常样本特征的平均作为参考特征，根据公式得到多层级的差异特征，其中， γ表示调节差异特征的参数，z q,l表示测试样本 i q的第 l层级的特征；
13、步骤s24、根据公式将测试样本的多层级的特征与多层级的差异特征进行拼接得到多层级的拼接特征，以作为并行特征压缩重建网路的输入。
14、进一步的，所述步骤s3中，所述多层并行特征压缩重建网络包括编码器、解码器和特征融合层，特征融合层在编码器输出的压缩后的隐空间内进行多层级的拼接特征的融合。
15、进一步的，所述步骤s3中，所述编码器由级联的特征压缩模块构成，特征压缩模块由第一卷积层、第一批归一化层以及第一非线性激活层构成，第一卷积层的输出通道数为其输入通道数的一半，所述解码器由级联的特征重构模块构成，特征重构模块由第二卷积层、第二批归一化层以及第二非线性激活层构成，第二卷积层的输出通道数为其输入通道数的二倍。
16、进一步的，所述步骤s3中，所述特征融合层包括前向特征融合路径和反向特征融合路径，前向特征融合路径将多层级的拼接特征中的高层级的特征的信息融合入低层级的特征中，反向特征融合特征将多层级的拼接特征中的低层级的特征的信息融合入高层级的特征中。
17、进一步的，所述步骤s3中，第 l层重建损失函数表示为，总的损失函数表示为 l=l 1 +l 2 +l 3，其中， h l、 w l分别表示第 l层级的特征的高度与宽度，表示拼接特征中位于坐标( m, n)的特征块，表示重建特征中位于坐标( m, n)的特征块， m∈{1,2,…, h l}， n∈{1,2,…, w l}。
18、进一步的，所述正常样本与测试样本均来自mvtec数据集。
19、本专利技术还通过以下技术方案实现：
20、一种基于差异增强特征重建的缺陷检测装置，包括处理器和存储器，存储器中存储程序指令，处理器调用存储器中的程序指令以实现如下模块：
21、特征获取模块：分别获得正常样本和测试样本的多层级的特征，多层级的特征具有丰富细节纹理信息的低层级特征以及具有丰富上本文档来自技高网...
【技术保护点】
1.一种基于差异增强特征重建的缺陷检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤S1中，根据公式获取正常样本Ii的第l层级的特征，其中，Ii表示第i个正常样本，正常样本为产品的无缺陷图像，表示特征提取器第l层输出，l=1,2,3，特征提取器采用ImageNet数据集上预训练的WideResNet50网络。
3.根据权利要求2所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤S1中，使用全局平均池化层分别对正常样本和测试样本的各层级的特征进行处理，得到正常样本特征和测试样本特征。
4.根据权利要求3所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤S2具体包括如下步骤：
5.根据权利要求4所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤S3中：所述多层并行特征压缩重建网络包括编码器、解码器和特征融合层，特征融合层在编码器输出的压缩后的隐空间内进行多层级的拼接特征的融合。
6.根据权利要求5所述的一种
7.根据权利要求6所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤S3中，所述特征融合层包括前向特征融合路径和反向特征融合路径，前向特征融合路径将多层级的拼接特征中的高层级的特征的信息融合入低层级的特征中，反向特征融合特征将多层级的拼接特征中的低层级的特征的信息融合入高层级的特征中。
8.根据权利要求6所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤S3中，第l层重建损失函数表示为，总的损失函数表示为L=L1+L2+L3，其中，hl、wl分别表示第l层级的特征的高度与宽度，表示拼接特征中位于坐标(m,n)的特征块，表示重建特征中位于坐标(m,n)的特征块，m∈{1,2,…,hl}，n∈{1,2,…,wl}。
9.根据权利要求1至8任一所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述正常样本与测试样本均来自MVTec数据集。
10.一种基于差异增强特征重建的缺陷检测装置，其特征在于：包括处理器和存储器，存储器中存储程序指令，处理器调用存储器中的程序指令以实现如下模块：
...【技术特征摘要】
1.一种基于差异增强特征重建的缺陷检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤s1中，根据公式获取正常样本ii的第l层级的特征，其中，ii表示第i个正常样本，正常样本为产品的无缺陷图像，表示特征提取器第l层输出，l=1,2,3，特征提取器采用imagenet数据集上预训练的wideresnet50网络。
3.根据权利要求2所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤s1中，使用全局平均池化层分别对正常样本和测试样本的各层级的特征进行处理，得到正常样本特征和测试样本特征。
4.根据权利要求3所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤s2具体包括如下步骤：
5.根据权利要求4所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤s3中：所述多层并行特征压缩重建网络包括编码器、解码器和特征融合层，特征融合层在编码器输出的压缩后的隐空间内进行多层级的拼接特征的融合。
6.根据权利要求5所述的一种基于差异增强特征重建的缺陷检测方法，其特征在于：所述步骤s3中，所述编码器由级联的特征压缩模块构成，特征压缩模块由第一卷积层、第一批归一化层以及第一非线性激活层构成，第一...
【专利技术属性】
技术研发人员：苏育挺，井配光，
申请(专利权)人：泉州桐兴科技有限公司，
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。