[发明专利]缺陷检测网络构建方法、异常检测方法及系统、存储介质

说明书

本申请涉及一种缺陷检测网络构建方法、异常检测方法及系统、存储介质，其中构建方法包括：获取预设的开放数据集中的样本图像和待检测物体的标准品的基准图像；配置一个卷积神经网络模块或者多个不同尺度的卷积神经网络模块并组成缺陷检测网络；利用样本图像训练主特征提取模型得到对应的网络参数，将基准图像输入主、从特征提取模型分别得到对应的第一特征向量和第二特征向量；根据第一特征向量和第二特征向量构建从特征提取模型的损失函数并训练学习得到从特征提取模型的网络参数，从而配置形成缺陷检测网络。缺陷检测网络可以根据输入图像信息完成特征的自动提取，有效降低产品缺陷检测过程中对工作人员经验的依赖，具有实用价值。

技术领域

本发明涉及图像处理技术领域，具体涉及缺陷检测网络构建方法、异常检测方法及装置、存储介质。

背景技术

在工业生产品质量管控过程中，宁可出现过检，也不允许漏检的情形发生。工业应用中表面瑕疵检测方式往往可以看作是基于图像的物体表面异常检测技术的应用，可以被理解为“无监督或者弱监督下的非平衡数据集的多分类问题”，和平衡学习不同，异常检测一般是无监督形式的，看似是二分类但其实是多分类(造成异常的原因各不相同)。在不知道事实上有多少类别且没有真实的标签的情况下，异常检测的效果往往不尽人意。当前，物体表面异常检测应用在工业上的部署还存在以下问题：工业中获取良品样本较容易，获取生产过程中的缺陷样本困难，导致良品样本多而缺陷样本少导致的样本数据不均衡；表面划痕等缺陷在拍摄过程中和拍摄的角度有关，只有在特定方向上才能重现物体的缺陷；样本缺陷造成原因虽然不同，但是在图像上的呈现上却比较相近，导致很难区分属于哪一类缺陷。要想较好地判断图像中存在的异常缺陷，需要选择稳定的特征提取方法。

传统的物体表面异常检测方法往往是衡量诸如距离、角度等相似度，这些方法在低维度上表现都接近，因为核心假设都是“异常点的表示与正常点不同，是少数派”。然而，大部分类似的方法都面临维数灾难，即常见的相似性度量在高维数据上往往会失效。对于高维数据，目的是找到一个好的空间/表示，之后找异常就变成了衡量相似度的简单问题，高维数据所带来的另一个问题是可扩展性，众所周知衡量相似度的系统运算开销较大，比如距离度量的复杂度在O(n)以上，此时就需要利用数据结构进行优化或者动态规划来降低复杂度，为控制数据维度带来困难。

当前应用的物体表面异常检测方法还存在以下不足：(1)特征提取网络不稳定，无法实现较好的跨域迁移；(2)为了提取较好的特征，网络结构设计的比较复杂，导致算法运算时间长，无法满足实时检测和分布式的检测要求；(3)采用传统方法进行异常检测时特征选取依赖于工程师的算法设计经验，对人的经验要求较高，容易人工检测失败；(4)特征的表征单一化，缺陷检测稳定性差。

发明内容

本发明主要解决的技术问题是如何改善现有特征提取网络的特征提取性能，提高物体表面缺陷检测的稳定性和准确性。为解决上述技术问题，本申请提供一种缺陷检测网络构建方法、异常检测方法及系统、存储介质。

根据第一方面，一种实施例中提供一种缺陷检测网络的构建方法，其包括：获取预设的开放数据集中的样本图像，和待检测物体的标准品的基准图像；配置一个卷积神经网络模块或者多个不同尺度的卷积神经网络模块并组成缺陷检测网络，其中每个所述卷积神经网络模块包括主特征提取模型和从特征提取模型；利用所述样本图像对每个所述卷积神经网络模块中的主特征提取模型进行训练，学习得到对应的网络参数；将所述基准图像输入至每个所述卷积神经网络模块中的主特征提取模型和从特征提取模型，分别得到对应的第一特征向量和第二特征向量；根据所述第一特征向量和所述第二特征向量构建所述从特征提取模型的损失函数，并通过反向传播算法学习得到所述从特征提取模型的网络参数；根据每个所述卷积神经网络中主特征提取模型的网络参数和从特征提取模型的网络参数配置形成所述缺陷检测网络。