[發明專利]一種物體缺陷檢測方法、系統、設備及介質

在審

• 申請號: 202310117531.8
• 申請日: 2023-02-15
• 公開（公告）號: CN116152194A
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 曾志強;王昊;王曉棟;嚴菲;溫琦;鄭亞輝
• 申請（專利權）人: 廈門理工學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/762;G06V10/764;G06V10/82;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉芳

本發明公開一種物體缺陷檢測方法、系統、設備及介質，涉及人工智能領域；采用特征提取模型提取目標圖像集的特征，獲得圖像特征集；構建組稀疏約束的子空間聚類模型，并確定目標函數和約束條件；采用迭代的方式，根據約束條件對目標函數進行求解，得到子空間聚類模型在聚類損失最小時的模型參數的值；根據模型參數確定子空間聚類模型的簇中心后，計算圖像特征集與簇中心的距離，得到目標圖像集中的各目標物體的缺陷檢測分類結果；本發明通過結合機器學習的方法和聚類算法的計算機視覺，能夠實現缺陷的準確檢測。

技術領域

本發明涉及人工智能領域，特別是涉及一種物體缺陷檢測方法、系統、設備及介質。

背景技術

缺陷檢測是計算機視覺技術上非常重要的一個應用。近年來，深度學習在特征編碼上取得了非常好的效果，越來越多的學者和工程人員開始將深度學習算法引入到缺陷檢測領域中。在工業勺子領域，由于勺子缺陷多種多樣，很難收集完整缺陷樣本。在此情況下，傳統依賴于缺陷標簽數據的監督類機器學習方法很難實現對缺陷特征的有效編碼，無法適應工業勺子缺陷檢測應用場景。

針對無正樣本勺子缺陷檢測問題，利用傳統子空間聚類方法實現無監督聚類是一種常用手段，如LDAKM、DEC等方法。然而這些方法主要存在兩個方面的問題：

1.這些方法采用降維與聚類單獨優化方式，在此情形下，對于某一勺子圖像，其最優降維投影矩陣不一定能夠獲取最優聚類結果，進而影響勺子缺陷檢測效果。

2.這些方法使用固定的l₂范式或是l_2,1范式計算損失函數。l₂范式為距離遠的數據分配較大的權重，其對異常值較敏感。與之相反，l_2,1范式會對高密度區域的數據分配更高權重，易忽略稀疏區域數據對模型優化的貢獻。由于勺子圖像的缺陷類型不確定，其數據分布不固定，導致該類方法很難達到較好聚類結果。因此，子空間聚類算法若不能有效解決以上兩個問題，將嚴重影響勺子缺陷檢測的效果。

發明內容

本發明的目的是提供一種物體缺陷檢測方法、系統、設備及介質，通過結合深度神經網絡和聚類算法的計算機視覺，實現缺陷的準確檢測。

為實現上述目的，本發明提供了如下方案：

一種物體缺陷檢測方法，所述方法包括：

獲取目標圖像集；所述目標圖像集包括：檢測區域內各目標物體的圖像；

采用特征提取模型提取所述目標圖像集的特征，獲得圖像特征集；所述特征提取模型采用機器學習的方法建立；

構建組稀疏約束的子空間聚類模型；所述子空間聚類模型包括：稀疏約束模型和聚類模型；

確定所述子空間聚類模型的目標函數和約束條件；所述約束條件為：對組稀疏約束矩陣采用按行約束的方式進行約束；所述目標函數是以聚類損失最小為目標構建的；所述聚類損失為所述子空間聚類模型的類內自適應范式誤差；

采用迭代的方式，根據所述約束條件對所述目標函數進行求解，得到所述子空間聚類模型的最優參數值；所述最優參數值為所述聚類損失最小時對應的所述子空間聚類模型的模型參數的值；所述模型參數包括：子空間聚類的投影矩陣、聚類指標矩陣和聚類中心矩陣；

根據所述最優參數值確定所述子空間聚類模型的簇中心；

計算所述圖像特征集與所述簇中心的距離，得到所述目標圖像集中的各目標物體的缺陷檢測分類結果；所述缺陷檢測分類結果包括：有缺陷和無缺陷。

可選地，所述目標函數為：

B＝[B₁,B₂]