[發(fā)明專利]一種基于零樣本學(xué)習(xí)的工業(yè)外觀缺陷檢測方法、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110487504.0
• 申請日: 2021-05-06
• 公開（公告）號: CN113112497A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)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(quán)）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(chuàng)專利商標(biāo)代理事務(wù)所(普通合伙) 33247
• 代理人: 吳海云

本公開實施例中提供了一種基于零樣本學(xué)習(xí)的工業(yè)外觀缺陷檢測方法、電子設(shè)備及存儲介質(zhì)，所述基于零樣本學(xué)習(xí)的工業(yè)外觀缺陷檢測方法通過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(biāo)注；根據(jù)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)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(biāo)簽信息；根據(jù)屬性標(biāo)簽信息確定待檢測樣品的缺陷類型；根據(jù)待檢測樣品的缺陷類型利用訓(xùn)練好的回歸網(wǎng)絡(luò)定位缺陷的位置。本公開實施例具有如下優(yōu)點：可以高效地利用過往數(shù)據(jù)和外部數(shù)據(jù)庫，極大程度地減少模型對于待檢測缺陷樣品數(shù)量的依賴。本公開實施例避免了較少卷積層對圖像特征提取不夠充分且特征模糊的缺點，且僅僅使用5個卷積層足以提取缺陷的特征，避免了過多卷積層帶來的巨大的計算量的問題，減少了占用資源也節(jié)省了總體識別時間。

技術(shù)領(lǐng)域

本公開涉及神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種基于零樣本學(xué)習(xí)的工業(yè)外觀缺陷檢測方法、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

隨著國家工業(yè)化水平的不斷發(fā)展，日常生產(chǎn)生活中用到的諸多物品、配件都由工業(yè)生產(chǎn)線制造。在工業(yè)生產(chǎn)過程中，生產(chǎn)環(huán)境的變化，機械誤差，坯料的質(zhì)量等種種因素有概率導(dǎo)致生產(chǎn)出的產(chǎn)品包含多種瑕疵(例如壓傷、劃傷、異物、異色、尺寸差異等)，由于這些缺陷會影響產(chǎn)品性能或降低用戶體驗，因此工業(yè)外觀缺陷檢測方法需要在出廠前將其檢出。盡管在過去的十幾年中，工業(yè)產(chǎn)品生產(chǎn)有了極大的進步且生產(chǎn)需求日益增加，但對相關(guān)工業(yè)產(chǎn)品的缺陷檢測仍依賴人工完成，現(xiàn)在主流的人工目視檢測不僅效率低下，而且檢測標(biāo)準(zhǔn)主觀因素大，嚴(yán)重制約工業(yè)制造的自動化進程，并且人工在線缺陷檢測不但會使成本上升，也對人力資源提出了考驗。

近年來，基于機器視覺的自動化缺陷檢測方法被廣大研究者所關(guān)注，也越來越受到工廠的青睞，但現(xiàn)行方法大多數(shù)依賴于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，其過程基本分為兩步：

通過工業(yè)相機采集一系列良品和缺陷產(chǎn)品的圖片，在圖片上標(biāo)注是否有缺陷，缺陷種類及缺陷發(fā)生位置。

將標(biāo)注的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中訓(xùn)練網(wǎng)絡(luò)參數(shù)，從而得到具有較高準(zhǔn)確率的模型。

然而，深度神經(jīng)網(wǎng)絡(luò)參數(shù)龐大，較好的性能往往依賴于大量的數(shù)據(jù)，而這是與實際情況相悖的：投入量產(chǎn)的工業(yè)品良率需要保持在一定水平之上，生產(chǎn)中能采集到的缺陷產(chǎn)品少之又少，且分布不均衡。

發(fā)明內(nèi)容

有鑒于此，本公開實施例提供一種基于零樣本學(xué)習(xí)的工業(yè)外觀缺陷檢測方法，至少部分解決現(xiàn)有技術(shù)中存在的問題。

第一方面，本公開實施例提供了一種基于零樣本學(xué)習(xí)的工業(yè)外觀缺陷檢測方法，所述基于零樣本學(xué)習(xí)的工業(yè)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(biāo)注；

根據(jù)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)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(biāo)簽信息；

根據(jù)屬性標(biāo)簽信息確定待檢測樣品的缺陷類型；

根據(jù)待檢測樣品的缺陷類型利用訓(xùn)練好的回歸網(wǎng)絡(luò)定位缺陷的位置。

根據(jù)本公開實施例的一種具體實現(xiàn)方式，所述根據(jù)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)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(biāo)簽信息的步驟中的訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法包括：

建立具有缺陷的樣品的缺陷樣品圖片數(shù)據(jù)庫；

建立深度神經(jīng)網(wǎng)絡(luò)；

根據(jù)缺陷樣品圖片數(shù)據(jù)庫中的圖片訓(xùn)練所述深度神經(jīng)網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)，所述深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練用以學(xué)習(xí)一種圖片特征空間到屬性空間的映射f，所述深度神經(jīng)網(wǎng)絡(luò)用于根據(jù)映射f推斷缺陷類別；所述回歸網(wǎng)絡(luò)的訓(xùn)練用于預(yù)測缺陷的位置。

根據(jù)本公開實施例的一種具體實現(xiàn)方式，所述根據(jù)缺陷樣品圖片數(shù)據(jù)庫中的圖片訓(xùn)練所述深度神經(jīng)網(wǎng)絡(luò)的步驟包括：