[發(fā)明專利]一種無缺陷樣本學習的異常檢測方法

有效

• 申請?zhí)枺?/td>: 202110904423.6
• 申請日: 2021-08-06
• 公開（公告）號: CN113689390B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設(shè)計）人: 許亮;向旺;李國彪;吳啟榮;喬俊杰
• 申請（專利權(quán)）人: 廣東工業(yè)大學;廣州德視迪智能技術(shù)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06N3/02;G06F18/214
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發(fā)明公開了一種無缺陷樣本學習的異常檢測方法，所述方法包括S1：獲取無缺陷樣本圖像并進行預處理，得到灰度圖；S2：利用灰度圖建立子圖像灰度高斯混合模型，并保存高斯混合模型參數(shù)；S3：構(gòu)建損失函數(shù)并用于引導訓練神經(jīng)網(wǎng)絡(luò)；S4：利用訓練好的神經(jīng)網(wǎng)絡(luò)進行異常檢測。本發(fā)明無需缺陷樣本，節(jié)省了樣本獲取的成本，同時適用任意異常樣本，具有較強的泛化能力，實用性強，檢測準確率高。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學習技術(shù)領(lǐng)域，更具體地，涉及一種無缺陷樣本學習的異常檢測方法。

背景技術(shù)

隨著我國行業(yè)制造水平和人民消費水平的不斷提升，制造業(yè)對工業(yè)產(chǎn)品的質(zhì)量有了更高的要求，同時產(chǎn)品表面質(zhì)量對產(chǎn)品的直接使用和再加工都有重要影響。在工業(yè)生產(chǎn)中，生產(chǎn)者都需要對成品或中間產(chǎn)物進行質(zhì)量的檢測和統(tǒng)計，實現(xiàn)對產(chǎn)品進行按指標分揀，并達到對生產(chǎn)工藝的監(jiān)督、改進的效用。

現(xiàn)今有全自動化、半自動化甚至全人工的生產(chǎn)方式，但在大部分的質(zhì)檢環(huán)節(jié)仍然依靠人工目視檢測。造成這種局面的原因主要在于缺陷存在隨機性、多樣性等特點，而人的經(jīng)驗在質(zhì)量的辨別當中就顯得尤為重要。這些經(jīng)驗，在以往很長一段時間內(nèi)難以被量化為數(shù)學關(guān)系且形成一種固化且易于復制的規(guī)則。人工檢測的弊端十分明顯：勞動強度大、效率低且質(zhì)量得不到保障。考慮到人工成本越來越高，人身安全的保障意識越來越重，效率相對于機器處于劣勢的人工質(zhì)檢將會慢慢從工業(yè)檢測環(huán)節(jié)中逐漸消失，在產(chǎn)品線的質(zhì)量控制階段引入機器視覺和智能檢測方法，對產(chǎn)品表面的缺陷進行準確的識別，對實現(xiàn)工業(yè)流水線質(zhì)檢環(huán)節(jié)的自動化具有重要意義。

現(xiàn)有的基于有監(jiān)督深度學習的工業(yè)產(chǎn)品缺陷檢測方法需要大量標記樣本，這樣的樣本通常是難以獲得且高成本的，而且標記的過程不僅費時費力，并且由于人工主觀因素的影響，標記可能存在偏差，這些都會影響網(wǎng)絡(luò)的訓練和實際的檢測。并且，用這些樣本訓練的模型，模型泛化性能較差。當產(chǎn)品出現(xiàn)新的缺陷類型，訓練的模型可能會產(chǎn)生漏檢。

現(xiàn)有技術(shù)中，公開號為：CN113095400A中國發(fā)明專利，于2021年7月9日公開了一種用于機器視覺缺陷檢測的深度學習模型訓練方法，基于少量缺陷產(chǎn)品外觀圖像和大量正常產(chǎn)品外觀圖像進行模型訓練，采用負樣本擴增方法對少量缺陷產(chǎn)品外觀圖像進行樣本擴增，具體包括如下步驟：將缺陷產(chǎn)品外觀圖像中的缺陷部分截取出來，形成缺陷圖像；對缺陷圖像進行擴增處理，形成大量人工缺陷圖像；通過圖像融合的方式將人工缺陷圖像融入到正常產(chǎn)品外觀圖像中的隨機位置，形成人工缺陷產(chǎn)品外觀圖像；將人工缺陷產(chǎn)品外觀圖像列入訓練樣本集用于模型訓練。該方案依賴的有缺陷的產(chǎn)品圖像，無法解決模型泛化能力差的問題。

發(fā)明內(nèi)容

本發(fā)明為克服上述現(xiàn)有技術(shù)中工業(yè)產(chǎn)品缺陷檢測方法依賴大量的缺陷樣品，檢測準確率低，泛化能力差的缺陷，提供一種無缺陷樣本學習的異常檢測方法。

本發(fā)明的首要目的是為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

一種無缺陷樣本學習的異常檢測方法，包括以下步驟：

S1：獲取無缺陷樣本圖像并進行預處理，得到灰度圖；

S2：利用灰度圖建立子圖像灰度高斯混合模型，并保存高斯混合模型參數(shù)；

S3：構(gòu)建損失函數(shù)并用于引導訓練神經(jīng)網(wǎng)絡(luò)；

S4：利用訓練好的神經(jīng)網(wǎng)絡(luò)進行異常檢測。

進一步地，步驟S2所述利用灰度圖建立子圖像灰度高斯混合模型，并保存高斯混合模型參數(shù)具體步驟為：

設(shè)灰度圖的大小為m×n，灰度圖記為S，將S分成p×q塊子圖像；

其中，每個子圖像S_kl是m_k×n_l矩陣形式，稱為一個Patch，其中