[发明专利]一种基于乘积量化学习策略的缺陷检测算法

说明书

本发明公开了一种基于乘积量化学习策略的缺陷检测算法，其是一种基于普通笛卡尔K均值的算法的改进算法，即半监督笛卡尔K均值算法。主要采用三阶段方式，第一阶段：确定缺陷的位置和种类，采用最优反向预测算法作为检测手段；第二阶段：对第一阶段检测出的各个结构图像中的缺陷位置做定位检测，也是采用基于目标检测的方式；第三阶段：在第二阶段的基础上，对检测图像进行裁剪，将其送到分类模型进行分类，以确定最终的分类和识别结果。本发明能够有效地减少每个子空间的量化误差，提高识别性能。

技术领域

本发明涉及数据处理与模式识别技术领域，尤其涉及一种基于乘积量化学习策略的缺陷检测算法，主要用于图像的检测与识别，特别是一种根据各自在图像信息中所反映的不同特征，把图像中不同的缺陷种类进行区别和定位的方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。实现了图像的高准确率识别。

背景技术

缺陷检测被广泛使用于布匹瑕疵检测、工件表面质量检测、航空航天领域等。传统的算法对规则缺陷以及场景比较简单的场合，能够很好工作，但是对特征不明显的、形状多样、场景比较混乱的场合，则不再适用。近年来，基于机器学习的识别算法越来越成熟，许多公司开始尝试把深度学习算法应用到工业场合中。

当今社会，随着计算机技术，人工智能等科学技术的出现和发展，以及研究的深入，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，大大提高了生产作业的效率，避免了因作业条件，主观判断等影响检测结果的准确性，实现能更好更精确地进行表面缺陷检测，更加快速的识别产品表面瑕疵缺陷。产品表面缺陷检测属于机器视觉技术的一种，就是利用计算机视觉模拟人类视觉的功能，从具体的实物进行图象的采集处理、计算、最终进行实际检测、控制和应用。产品的表面缺陷检测是机器视觉检测的一个重要部分，其检测的准确程度直接会影响产品最终的质量优劣。由于使用人工检测的方法早已不能满足生产和现代工艺生产制造的需求，而利用机器视觉检测很好地克服了这一点，表面缺陷检测系统的广泛应用促进了企业工厂产品高质量的生产与制造业智能自动化的发展。

而哈希(Hashing)和量化(Quantization)是当前两种基于图像内容对图像进行检索的重要算法，这两种算法都是基于近似搜索理念提出的。哈希的方法是通过哈希函数把向量x变换成二值码(海明码)b(例如0101110101011100)，然后将距离dist(x_1，x_2)近似成二值码距离(海明距离)dist(b_1，b_2)。二值码距离可以通过popcount快速计算。Yunchao Gong等人提出的迭代量化的方法(Iterative Quantization，ITQ)的出发点是把二值编码当成原向量的近似，利用欧氏距离旋转不变性的性质，建立了最小化二值编码重建旋转原向量误差的目标函数，寻找最优的旋转变换和二值编码。尽管直观看上去重建向量的方法比保相似、保距离或者保序的方法简单，近似得更强，但ITQ实际效果还是很不错，原因是保相似、保距离或者保序需要建立二元或者多元关系，计算复杂度很大，从而需要各种近似，使得最后的效果不如预期。

近似最近邻搜索以其在大型数据集上的高效检索性能成为近年来研究的热点。人工神经网络搜索的目的是查找那些与查询数据的欧几里得距离是基础数据集中最小的实例。在神经网络研究中计算查询向量之间的欧几里得距离。而基础数据集中的所有向量都涉及到大量的计算，这对于大尺度和高维情况来说是不可行的。为了消除这些计算，已经提出并开发了许多数据结构和算法，其中一类是基于提升检索结构性能的方法，主要方法大多基于树形结构。另一类主要基于对数据本身的处理，包括哈希算法、矢量量化方法等。

量化在近似最近邻搜索研究工作中发挥着重要作用，它通过采用数据表示策略来解决问题。首先采用无监督算法来实现数据聚类任务，使原始数据能够被标记。然后，由聚类中心表示或重建每个集群中的实例。因此，查询数据与基础数据之间的距离计算可以转换为查询数据和基础数据所属的类中心之间的距离计算。换句话说，查询和数据库向量之间的距离由查询数据向量和基础数据向量所属的聚类中心之间的距离近似。