【技术实现步骤摘要】
本专利技术涉及图像视觉检测，尤其是一种基于无监督的高效多层套印丝网印刷缺陷检测方法。
技术介绍
1、生活中，各种消费品外包装上都印有logo图案，厂商为了提高图案的美观程度以及防止伪造，会制作复杂的图形结构并搭配丰富颜色，这就需要多层套印工艺，此外，一些产品会增加烫金等复杂手段进一步美化产品包装。在机器视觉技术诞生前，这些复杂图案的质检工作主要由人工完成，随着技术不断进步以及算力提升，通过机器视觉技术代替人工质检已经得到快速发展，近年来，随着人工智能(ai)技术的不断发展，通过ai代替人眼成为一种趋势。针对多层套印的丝网印刷制品一般图案复杂，实际现场面临缺陷样本不足但缺陷种类多样，长尾分布情况明显。有监督的ai检测方法难以搜集到大量的缺陷样本，并且由于背景复杂，缺陷细微，面临十分严重的分布外(out of distribution,ood)检测问题。
2、目前针对多层套印的丝印印刷制品一般采用传统的比对算法进行检测，即先选取满足要求的好品，然后使用传统算法将待检品与好品进行像素级比对，对一些局部存在偏差但满足客户要求的区域使用边缘放宽策略忽略该区域异常，最终通过调节阈值找到缺陷区域。
3、但是，现有技术主要存在以下缺点：
4、1、目前多层套印印刷制品工艺复杂，存在多层印刷、烫金等工序。实际产品可能会出现色差，细微偏移等可以接受的情况，使用像素级比对方法虽然可以通过一些后期策略避免大幅过杀，但也会导致局部细微缺陷的漏检。难以找到有效策略平衡过杀和漏检。
5、2、传统算法需要通过人工调
6、目前也有一些基于无监督的异常检测方法，但仅能检测比较简单的丝网印产品，无法处理多层套印产生的轻微缺陷。
技术实现思路
1、本专利技术要解决的技术问题是：提供一种基于无监督的高效多层套印丝网印刷缺陷检测方法，解决了多层套印丝网印刷制品的各种不可预见缺陷的高效检测与定位问题以及检测模型的快速迭代问题。
2、本专利技术解决其技术问题所采用的技术方案是：一种基于无监督的高效多层套印丝网印刷缺陷检测方法，包括以下步骤，
3、s1、收集正常样本图像以及异常样本图像，划分训练集和测试集并训练基于s-t结构网络的teacher网络和student网络；
4、s2、将待检测图像同时输入teacher网络和student网络，得到两个特征向量；
5、s3、计算两个特征向量的异常得分，根据归一化后的异常得分值大小生成反映异常程度的热力图；
6、s4、根据热力图得到的最大热力值和验证集的ng和ok标注信息，自动完成最佳阈值的计算；
7、s5、根据热力图和阈值确定最终的检测结果，显示异常区域轮廓信息。
8、进一步的说，本专利技术所述的步骤s1中，训练过程中使用正常样本，其中teacher网络加载预训练模型，仅给出输出特征而不进行参数更新，student网络拟合teacher网络的输出。
9、进一步的说，本专利技术所述的步骤s3中，teacher网络和student网络输出的差异向量δt-s表示为：其中，μ为训练数据集中各正常样本通过teacher网络的各通道输出的均值向量，σ为标准差向量。
10、再进一步的说，本专利技术对差异向量δt-s各通道元素进行分位数计算，计算过程中将δt-s按通道维度划分为k个区域，使用多线程并行计算k个区域0.999分位数，最终取k个区域的0.999分位数，保留δt-s中99.9％分位数以上元素得到差异向量δpct＝0.999。
11、更进一步的说，本专利技术所述的步骤s4中，最大热力值的得分公式为：score＝(v1-u1)/(u2-u1)，其中，v1为向量差异，u1为差异向量v1的90％分位数向量，u2为最大值向量。
12、又进一步的说，本专利技术分位数归一化后的差异特征张量为～δt-s＝(δt-s-p1)/(p2-p1)；其中，δt-s为测试集的teacher网络和student网络输出的差异特征张量，p1为验证集90％分位数，p2为最大值。
13、本专利技术的有益效果是，解决了
技术介绍
中存在的缺陷，本专利技术通过一种基于无监督的深度学习异常检测模型，仅学习少量正常样本即可高效检测到异常样本并定位异常位置；训练过程中自动生成最优模型和搜索最优阈值，并通过模型生成的热力图和最优阈值端到端给出检测结果；针对多层套印丝网印刷产品更迭快，缺陷种类繁多且缺陷细小、难以预见的问题，能够大幅提升现场检测效率和检测精度。
【技术保护点】
1.一种基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：包括以下步骤，
2.如权利要求1所述的基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：所述的步骤S1中，训练过程中使用正常样本，其中teacher网络加载预训练模型，仅给出输出特征而不进行参数更新，student网络拟合teacher网络的输出。
3.如权利要求1所述的基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：所述的步骤S3中，teacher网络和student网络输出的差异向量ΔT-S表示为：其中，μ为训练数据集中各正常样本通过teacher网络的各通道输出的均值向量，σ为标准差向量。
4.如权利要求3所述的基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：对差异向量ΔT-S各通道元素进行分位数计算，计算过程中将ΔT-S按通道维度划分为K个区域，使用多线程并行计算K个区域0.999分位数，最终取K个区域的0.999分位数，保留ΔT-S中99.9％分位数以上元素得到差异向量Δpct＝0.999。
5.如权利要求4所述的基于无监督的高效
6.如权利要求4所述的基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：分位数归一化后的差异特征张量为～ΔT-S＝(ΔT-S-p1)/(p2-p1)；其中，ΔT-S为测试集的teacher网络和student网络输出的差异特征张量，p1为验证集90％分位数，p2为最大值。
...【技术特征摘要】
1.一种基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：包括以下步骤，
2.如权利要求1所述的基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：所述的步骤s1中，训练过程中使用正常样本，其中teacher网络加载预训练模型，仅给出输出特征而不进行参数更新，student网络拟合teacher网络的输出。
3.如权利要求1所述的基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：所述的步骤s3中，teacher网络和student网络输出的差异向量δt-s表示为：其中，μ为训练数据集中各正常样本通过teacher网络的各通道输出的均值向量，σ为标准差向量。
4.如权利要求3所述的基于无监督的高效多层套印丝网印刷缺陷检测方法，其特征在于：对差异向量δt-s各通道元素进行分位数计算，计...
【专利技术属性】
技术研发人员：都卫东，和江镇，王岩松，王骏，吴健雄，
申请(专利权)人：征图新视江苏科技股份有限公司，
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。