[發明專利]一種基于乘積量化學習策略的缺陷檢測算法

在審

• 申請號: 202110774878.0
• 申請日: 2021-07-08
• 公開（公告）號: CN113538355A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 崔雪蓮;李新
• 申請（專利權）人: 無錫信捷電氣股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 無錫經誠知識產權代理事務所(普通合伙) 32504
• 代理人: 丁雨燕

本發明公開了一種基于乘積量化學習策略的缺陷檢測算法，其是一種基于普通笛卡爾K均值的算法的改進算法，即半監督笛卡爾K均值算法。主要采用三階段方式，第一階段：確定缺陷的位置和種類，采用最優反向預測算法作為檢測手段；第二階段：對第一階段檢測出的各個結構圖像中的缺陷位置做定位檢測，也是采用基于目標檢測的方式；第三階段：在第二階段的基礎上，對檢測圖像進行裁剪，將其送到分類模型進行分類，以確定最終的分類和識別結果。本發明能夠有效地減少每個子空間的量化誤差，提高識別性能。

技術領域

本發明涉及數據處理與模式識別技術領域，尤其涉及一種基于乘積量化學習策略的缺陷檢測算法，主要用于圖像的檢測與識別，特別是一種根據各自在圖像信息中所反映的不同特征，把圖像中不同的缺陷種類進行區別和定位的方法。它利用計算機對圖像進行定量分析，把圖像或圖像中的每個像元或區域劃歸為若干個類別中的某一種，以代替人的視覺判讀。實現了圖像的高準確率識別。

背景技術

缺陷檢測被廣泛使用于布匹瑕疵檢測、工件表面質量檢測、航空航天領域等。傳統的算法對規則缺陷以及場景比較簡單的場合，能夠很好工作，但是對特征不明顯的、形狀多樣、場景比較混亂的場合，則不再適用。近年來，基于機器學習的識別算法越來越成熟，許多公司開始嘗試把深度學習算法應用到工業場合中。

當今社會，隨著計算機技術，人工智能等科學技術的出現和發展，以及研究的深入，出現了基于機器視覺技術的表面缺陷檢測技術。這種技術的出現，大大提高了生產作業的效率，避免了因作業條件，主觀判斷等影響檢測結果的準確性，實現能更好更精確地進行表面缺陷檢測，更加快速的識別產品表面瑕疵缺陷。產品表面缺陷檢測屬于機器視覺技術的一種，就是利用計算機視覺模擬人類視覺的功能，從具體的實物進行圖象的采集處理、計算、最終進行實際檢測、控制和應用。產品的表面缺陷檢測是機器視覺檢測的一個重要部分，其檢測的準確程度直接會影響產品最終的質量優劣。由于使用人工檢測的方法早已不能滿足生產和現代工藝生產制造的需求，而利用機器視覺檢測很好地克服了這一點，表面缺陷檢測系統的廣泛應用促進了企業工廠產品高質量的生產與制造業智能自動化的發展。

而哈希(Hashing)和量化(Quantization)是當前兩種基于圖像內容對圖像進行檢索的重要算法，這兩種算法都是基于近似搜索理念提出的。哈希的方法是通過哈希函數把向量x變換成二值碼(海明碼)b(例如0101110101011100)，然后將距離dist(x_1，x_2)近似成二值碼距離(海明距離)dist(b_1，b_2)。二值碼距離可以通過popcount快速計算。Yunchao Gong等人提出的迭代量化的方法(Iterative Quantization，ITQ)的出發點是把二值編碼當成原向量的近似，利用歐氏距離旋轉不變性的性質，建立了最小化二值編碼重建旋轉原向量誤差的目標函數，尋找最優的旋轉變換和二值編碼。盡管直觀看上去重建向量的方法比保相似、保距離或者保序的方法簡單，近似得更強，但ITQ實際效果還是很不錯，原因是保相似、保距離或者保序需要建立二元或者多元關系，計算復雜度很大，從而需要各種近似，使得最后的效果不如預期。

近似最近鄰搜索以其在大型數據集上的高效檢索性能成為近年來研究的熱點。人工神經網絡搜索的目的是查找那些與查詢數據的歐幾里得距離是基礎數據集中最小的實例。在神經網絡研究中計算查詢向量之間的歐幾里得距離。而基礎數據集中的所有向量都涉及到大量的計算，這對于大尺度和高維情況來說是不可行的。為了消除這些計算，已經提出并開發了許多數據結構和算法，其中一類是基于提升檢索結構性能的方法，主要方法大多基于樹形結構。另一類主要基于對數據本身的處理，包括哈希算法、矢量量化方法等。

量化在近似最近鄰搜索研究工作中發揮著重要作用，它通過采用數據表示策略來解決問題。首先采用無監督算法來實現數據聚類任務，使原始數據能夠被標記。然后，由聚類中心表示或重建每個集群中的實例。因此，查詢數據與基礎數據之間的距離計算可以轉換為查詢數據和基礎數據所屬的類中心之間的距離計算。換句話說，查詢和數據庫向量之間的距離由查詢數據向量和基礎數據向量所屬的聚類中心之間的距離近似。