[发明专利]一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质

说明书

本公开实施例中提供了一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质，所述基于零样本学习的工业外观缺陷检测方法通过获取待检测样品的图片；将待检测样品进行类别与属性的标注；根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间，得到属性标签信息；根据属性标签信息确定待检测样品的缺陷类型；根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置。本公开实施例具有如下优点：可以高效地利用过往数据和外部数据库，极大程度地减少模型对于待检测缺陷样品数量的依赖。本公开实施例避免了较少卷积层对图像特征提取不够充分且特征模糊的缺点，且仅仅使用5个卷积层足以提取缺陷的特征，避免了过多卷积层带来的巨大的计算量的问题，减少了占用资源也节省了总体识别时间。

技术领域

本公开涉及神经网络技术领域，尤其涉及一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质。

背景技术

随着国家工业化水平的不断发展，日常生产生活中用到的诸多物品、配件都由工业生产线制造。在工业生产过程中，生产环境的变化，机械误差，坯料的质量等种种因素有概率导致生产出的产品包含多种瑕疵(例如压伤、划伤、异物、异色、尺寸差异等)，由于这些缺陷会影响产品性能或降低用户体验，因此工业外观缺陷检测方法需要在出厂前将其检出。尽管在过去的十几年中，工业产品生产有了极大的进步且生产需求日益增加，但对相关工业产品的缺陷检测仍依赖人工完成，现在主流的人工目视检测不仅效率低下，而且检测标准主观因素大，严重制约工业制造的自动化进程，并且人工在线缺陷检测不但会使成本上升，也对人力资源提出了考验。

近年来，基于机器视觉的自动化缺陷检测方法被广大研究者所关注，也越来越受到工厂的青睐，但现行方法大多数依赖于训练深度神经网络，其过程基本分为两步：

通过工业相机采集一系列良品和缺陷产品的图片，在图片上标注是否有缺陷，缺陷种类及缺陷发生位置。

将标注的数据输入到神经网络中训练网络参数，从而得到具有较高准确率的模型。

然而，深度神经网络参数庞大，较好的性能往往依赖于大量的数据，而这是与实际情况相悖的：投入量产的工业品良率需要保持在一定水平之上，生产中能采集到的缺陷产品少之又少，且分布不均衡。

发明内容

有鉴于此，本公开实施例提供一种基于零样本学习的工业外观缺陷检测方法，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种基于零样本学习的工业外观缺陷检测方法，所述基于零样本学习的工业外观缺陷检测方法包括：

获取待检测样品的图片；

将待检测样品进行类别与属性的标注；

根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间，得到属性标签信息；

根据属性标签信息确定待检测样品的缺陷类型；

根据待检测样品的缺陷类型利用训练好的回归网络定位缺陷的位置。

根据本公开实施例的一种具体实现方式，所述根据训练好的深度神经网络模型将待检测样品的图片信息投影到属性空间，得到属性标签信息的步骤中的训练好的深度神经网络模型的训练方法包括：

建立具有缺陷的样品的缺陷样品图片数据库；

建立深度神经网络；

根据缺陷样品图片数据库中的图片训练所述深度神经网络和回归网络，所述深度神经网络的训练用以学习一种图片特征空间到属性空间的映射f，所述深度神经网络用于根据映射f推断缺陷类别；所述回归网络的训练用于预测缺陷的位置。

根据本公开实施例的一种具体实现方式，所述根据缺陷样品图片数据库中的图片训练所述深度神经网络的步骤包括：