一种基于特征适配器的瓷砖表面缺陷检测与定位方法技术

技术编号：43791463 阅读：2 留言：0更新日期：2024-12-24 16:23

本发明专利技术公开了一种基于特征适配器的瓷砖表面缺陷检测与定位方法，包括如下步骤：获取图像数据集；任意选取一张图像作为输入，通过一个预训练编码器提取图像特征表示；将提取的特征表示通过一个特征适配器进行图像的坐标位置嵌入得到位置增强的可学习特征；所述可学习特征通过MiniBatchKMeans进行大规模数据聚类从而进行内存库初始化；通过损失函数进行监督训练对特征适配器进行优化，应用优化的特征适配器的输出更新记忆库；计算该图像的最新表示与融合特征之间的距离来获得异常分数。该方法通过同时更新特征适配器和记忆库，以得到当前最具判别性的特征，实现实时、高效的缺陷检测与定位。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及瓷砖制造和质量控制，具体指一种基于特征适配器的瓷砖表面缺陷检测与定位方法。

技术介绍

1、在智能制造的大背景下，自动化和智能化程度不断提高，这对产品质量控制提出了更高的标准。瓷砖作为一种广泛应用于建筑装饰材料的产品，其表面质量直接影响到最终的装修效果和用户体验。瓷砖表面可能存在的缺陷包括但不限于裂纹、磨损、斑点、边缘破损、异物等，这些缺陷不仅影响美观，还可能影响产品的结构完整性和使用寿命。

2、在瓷砖表面缺陷检测中，传统的方法主要依赖于两种方式：人工目检和有监督学习方法。人工目检面临高昂的人力成本问题，且速度慢、易疲劳，难以满足大规模生产需求。有监督学习虽然能够自动化检测，但需要大量的标注数据来进行训练，这对于瓷砖缺陷检测来说往往难以获得。此外，有监督模型可能无法正确识别新型或未知类型的缺陷，并且容易偏向于预测正常样本，降低对缺陷样本的识别率。鉴于这些局限性，无监督学习成为一个有吸引力的选择。然而，生产环境中的不确定性因素，如噪声扰动和设备性能波动，会导致图像特征随时间发生漂移，从而使依赖静态训练数据的模型效能下降。因此，发展无需依赖大量标签数据、能自主学习并适应变化的在线检测技术成为迫切需求。

技术实现思路

1、本专利技术针对现有技术的不足，提出一种基于特征适配器的瓷砖表面缺陷检测与定位方法，该方法通过同时更新特征适配器和记忆库，以得到当前最具判别性的特征，实现实时、高效的缺陷检测与定位。

2、为了解决上述技术问题，本专利技术的技术方案为：</p>

3、一种基于特征适配器的瓷砖表面缺陷检测与定位方法，包括如下步骤：

4、步骤1、获取图像数据集；

5、步骤2、任意选取一张图像作为输入，通过一个预训练编码器提取图像特征表示；

6、步骤3、将提取的特征表示通过一个特征适配器进行图像的坐标位置嵌入得到位置增强的可学习特征；

7、步骤4、所述可学习特征通过minibatchkmeans进行大规模数据聚类从而进行记忆库初始化；

8、步骤5、通过损失函数进行监督训练对特征适配器进行优化，应用优化的特征适配器的输出更新记忆库；

9、步骤6、通过计算测试样本特征和记忆库中最相近的特征中心的融合特征之间的距离来获得异常分数score(zij)，公式如下：

10、

11、其中，zij表示测试样本zij，表示从记忆库中检索出与测试样本zij最相近的l个特征中心中更具泛化能力的融合特征。

12、作为优选，所述数据集包括训练集和测试集，所述测试集中包括正常样本和异常样本，所述测试集还包括相应异常样本的异常真实标签掩码。

13、作为优选，所述数据集中每个样本被调整大小至256x256。

14、作为优选，所述步骤2中，预训练编码器选用了一个在imagenet上预训练的wrn50_2模型作为预训练编码器用于特征提取。

15、作为优选，通过预训练的wrn50_2模型提取特征的方法为：

16、应用预训练的wrn50_2模型采样不同深度的特征图，并通过插值得到相同分辨率的特征图，然后将所有分辨率相同的特征图进行连接生成多尺度特征其中，h和w是最大特征图的高度和宽度，d是被采用的特征图的通道之和，最后根据多尺度特征每个像素位置上的语义信息得到图像特征表示其中，i∈[1,...,h]和j∈[1,...,w]。

17、作为优选，所述特征适配器包括coordconv层和标准卷积层。

18、作为优选，所述步骤3中，将图像特征表示输入到特征适配器中，通过coordconv层将输入图像的坐标信息嵌入到图像特征表示中得到位置增强的可学习特征其中和

19、作为优选，所述步骤4中，任意选取一张正常样本图像经过步骤2和步骤3得到可学习特征zij通过minibatchkmeans算法进行聚类得到k个中心ck并填充至记忆库。

20、作为优选，所述步骤5中，特征适配器的优化方法为：

21、首先，通过nn搜索找到zij的前m个最近邻中心通过进行监督训练，使zij嵌入到附近，其中被描述为：

22、

23、其中，表示zij与其第m最邻近的欧氏距离。

24、作为优选，所述步骤5中，通过进行监督训练时，最邻近的m个中心通过高斯函数分配不同的权重。

25、作为优选，所述步骤5中，zij嵌入到附近的方法为：zij嵌入以为中心的半径为r的超球体中。

26、作为优选，所述步骤5中，记忆库的更新方法为：

27、对ti＞0时刻，当前图像通过优化后的特征适配器得到的可学习特征的所有特征表示中心集然后将中心集与ti-1的中心集进行移动平均得到最新的中心集。

28、作为优选，所述记忆库更新时，在移动平均中，整个偏向原有中心比例随着数据的增加而增大，对应的描述如下：

29、

30、其中，t表示ti＞0时刻。

31、本专利技术具有以下的特点和有益效果：

32、采用上述技术方案，相较于传统的离线学习方法，本研究提出的在线检测方案具备在线自适应能力，能够根据实时检测到的样本动态调整和优化模型，有效克服了特征漂移带来的负面影响，确保了检测精度的稳定和提升。

33、该方法巧妙结合无监督学习算法的自适应能力和深度学习的强大表征力，能够在连续的生产流中实时监测瓷砖表面的异常，实现对缺陷的快速识别与精确定位。尤为关键的是，这一过程同时伴随着模型优化，即在持续监测与响应生产数据流的过程中，系统自我学习、迭代升级，不断精炼其检测算法，精准度与适应性随之持续提升。这为瓷砖制造业的质量控制提供了一个动态升级、高度智能的技术解决方案。总之，本在线检测算法凭借其动态适应与持续优化能力，为瓷砖生产现场的异常检测提供了一种更灵活、更高效、更具鲁棒性的解决方案。

本文档来自技高网...

【技术保护点】

1.一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述数据集包括训练集和测试集，所述测试集中包括正常样本和异常样本，所述测试集还包括相应异常样本的异常真实标签掩码。

3.根据权利要求2所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述数据集中每个样本被调整大小至256x256。

4.根据权利要求1所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤2中，预训练编码器选用了一个在ImageNet上预训练的wrn50_2模型作为预训练编码器用于特征提取。

5.根据权利要求4所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，通过预训练的wrn50_2模型提取特征的方法为：

6.根据权利要求5所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述特征适配器包括CoordConv层和标准卷积层。

7.根据权利要求6所述的一种基于特征适

8.根据权利要求7所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤4中，记忆库的初始化方法为：任意选取一张正常样本图像经过步骤2和步骤3得到可学习特征zij通过MiniBatchKMeans算法进行聚类得到K个中心Ck并填充至记忆库。

9.根据权利要求7所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤5中，特征适配器的优化方法为：

10.根据权利要求9所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤5中，通过进行监督训练时，最邻近的M个中心通过高斯函数分配不同的权重。

11.根据权利要求9所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤5中，zij嵌入到附近的方法为：zij嵌入以为中心的半径为r的超球体中。

12.根据权利要求11所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤5中，记忆库的更新方法为：

13.根据权利要求12所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述记忆库更新时，在移动平均中，整个偏向原有中心比例随着数据的增加而增大，对应的描述如下：

...

【技术特征摘要】

1.一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，包括如下步骤：

3.根据权利要求2所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述数据集中每个样本被调整大小至256x256。

4.根据权利要求1所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤2中，预训练编码器选用了一个在imagenet上预训练的wrn50_2模型作为预训练编码器用于特征提取。

5.根据权利要求4所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，通过预训练的wrn50_2模型提取特征的方法为：

6.根据权利要求5所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述特征适配器包括coordconv层和标准卷积层。

7.根据权利要求6所述的一种基于特征适配器的瓷砖表面缺陷检测与定位方法，其特征在于，所述步骤3中，将图像特征表示输入到特征适配器中，通过coordconv层将输入图像的坐标信息嵌入到图...

【专利技术属性】
技术研发人员：汤景凡，牛振洋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人