[發明專利]一種基于零樣本學習的工業外觀缺陷檢測方法、電子設備及存儲介質

在審

• 申請號: 202110487504.0
• 申請日: 2021-05-06
• 公開（公告）號: CN113112497A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 令狐彬;胡炳彰;許鵬;周璠;張鮮順;卞哲;汪少成
• 申請（專利權）人: 合肥中科迪宏自動化有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 溫州市品創專利商標代理事務所(普通合伙) 33247
• 代理人: 吳海云

1.一種基于零樣本學習的工業外觀缺陷檢測方法，其特征在于，所述基于零樣本學習的工業外觀缺陷檢測方法包括：

獲取待檢測樣品的圖片；

將待檢測樣品進行類別與屬性的標注；

根據訓練好的深度神經網絡模型將待檢測樣品的圖片信息投影到屬性空間，得到屬性標簽信息；

根據屬性標簽信息確定待檢測樣品的缺陷類型；

根據待檢測樣品的缺陷類型利用訓練好的回歸網絡定位缺陷的位置。

2.根據權利要求1所述的基于零樣本學習的工業外觀缺陷檢測方法，其特征在于，所述根據訓練好的深度神經網絡模型將待檢測樣品的圖片信息投影到屬性空間，得到屬性標簽信息的步驟中的訓練好的深度神經網絡模型的訓練方法包括：

建立具有缺陷的樣品的缺陷樣品圖片數據庫；

建立深度神經網絡；

根據缺陷樣品圖片數據庫中的圖片訓練所述深度神經網絡和回歸網絡，所述深度神經網絡的訓練用以學習一種圖片特征空間到屬性空間的映射f，所述深度神經網絡用于根據映射f推斷缺陷類別；所述回歸網絡的訓練用于預測缺陷的位置。

3.根據權利要求2所述的基于零樣本學習的工業外觀缺陷檢測方法，其特征在于，所述根據缺陷樣品圖片數據庫中的圖片訓練所述深度神經網絡的步驟包括：

將缺陷樣品圖片數據庫的樣本及其對應屬性標簽信息輸入至深度神經網絡進行特征提取與分類回歸得到缺陷的位置與屬性置信度；

訓練深度神經網絡根據屬性置信度推斷缺陷類別以及訓練回歸網絡預測缺陷發生位置；

將所得到的缺陷位置和缺陷的屬性置信度與預定的標準值進行對比，根據比對結果調整深度神經網絡中的參數權值，完成深度神經網絡的訓練。

4.根據權利要求1所述的基于零樣本學習的工業外觀缺陷檢測方法，其特征在于，所述將待檢測樣品進行類別與屬性的標注的步驟，包括：

建立屬性標簽庫和缺陷種類標簽庫，所述屬性標簽庫分別記為(A₁,A₂,…,A_N)，所述缺陷種類標簽記為(D₁,D₂,…,D_M)；

將屬性標簽和缺陷種類標簽融合為按照缺陷種類Di以(D₁₁,D₂₂,…,D_MM)的線性組合的形式表達。

5.根據權利要求1～4任一項所述的基于零樣本學習的工業外觀缺陷檢測方法，其特征在于，所述的神經網絡包括5個依次級聯的特征提取基本單元，每個特征提取單元包括依次連接的卷積層、局部響應歸一化層、最大值池化層和平均值池化層。

6.根據權利要求5所述的基于零樣本學習的工業外觀缺陷檢測方法，其特征在于，所述的卷積層利用卷積核在圖像上滑動，對圖像進行卷積操作，從而提取輸入圖像特征得到粗略的特征圖；

所述的局部響應歸一化層采用3像素*3像素的領域在卷積層中得到的粗略的特征圖上滑動，并對每個領域內的像素值進行均值和方差的歸一化，得到不受光照變化影響的粗略的特征圖；

所述的最大池化層采用3像素*3像素的領域在局部響應歸一化層中得到的粗略的特征圖上滑動，并對每個領域內的所有像素值取最大值，得到具有平移不變性的精確的特征圖；

所述的平均池化層采用3像素*3像素的領域在最大池化層中得到的精確的特征圖上滑動，并對每個領域內的所有像素值取平均值，得到對微小形變有魯棒性的精確的特征圖，所述的精確的特征圖即最終對應的特征提取基本單元輸出的特征圖；

圖片經過5個依次級聯的特征提取基本單元最終輸出特征圖像。