[发明专利]一种基于深度学习特征相关性的无监督缺陷检测方法

说明书

一种基于深度学习特征相关性的无监督缺陷检测方法,构建缺陷检测模型，使用深度学习预训练网络作为图像特征提取模块，对输入的图像进行抽象描述，由正常样本训练缺陷检测模型，得到特征模板库，检测时，对待检测图像提取特征，将待检测图像的特征和正常样本的特征对比，对待检测图像的特征在特征模板库中进行k近邻检索，两个向量之间的距离衡量方式为欧式距离，根据距离衡量待检测样本的异常得分，判断是否存在缺陷。本发明通过无监督特征相关性的方式来进行缺陷检测，无需繁琐的人工标注，仅需要采用少量正常样本就能完成缺陷的检测分割。

技术领域

本发明属于机器视觉与图像处理技术领域，涉及一种基于深度学习特征相关性的无监督缺陷检测方法。

背景技术

在工业自动化领域中，缺陷检测起着重要的作用，包括图像中产品缺陷有无和位置的判定。通过机器视觉算法对产品自动进行缺陷检测，可以大大提高工业流水线的效率，减少人工成本，提高质量。

如今深度学习在图像识别某些特定任务中已经达到并超过人眼识别的准确度，并在工业领域有着广泛的应用。使用深度学习进行像素级的缺陷检测，往往需要大量的标注数据，并进行大量有监督的训练如现有的语义分割方法。但实际的工业流水线上产品的良品率很高，这意味着获取足够有标注的缺陷数据是很难的，同时还需要大量的人力成本来标注。

发明内容

本发明要解决的问题是：现有工业检测中，在利用深度学习进行图像识别时需要大量标注数据用于学习，训练检测模型的学习成本高。

本发明的技术方案为：一种基于深度学习特征相关性的无监督缺陷检测方法,构建缺陷检测模型，使用深度学习预训练网络作为图像特征提取模块，对输入的图像进行抽象描述，由正常样本训练缺陷检测模型，得到特征模板库，检测时，对待检测图像提取特征，将待检测图像的特征和正常样本的特征对比，对待检测图像的特征在特征模板库中进行k近邻检索，两个向量之间的距离衡量方式为欧式距离，根据距离衡量待检测样本的异常得分，判断是否存在缺陷。

进一步的，在模板特征库中选择部分特征得到核心模板特征库，

步骤1：获取模板特征库，并初始化核心模板特征库为空；

步骤2：计算模板特征库中每个模板特征与其他所有模板特征之间的欧式距离，并取这些欧式距离的最小值代表该模板特征的权值；

步骤3：将上一步骤计算出的所有带权值的模板特征中选取权值最大的，将其加入到核心模板特征库中，并将该模板特征从模板特征库中去除；

步骤4：重复2、3两个步骤直到核心模板特征库的数量达到预设值M，得到最终的核心模板特征库。

进一步的，提取图像特征包括以下步骤：

步骤1：输入图像，宽高尺寸为(H,W)；

步骤2：采用预设的残差神经网络对输入图像提取特征，提取中间两个不同尺度的中间特征：中间特征1和中间特征2，大小分别为(H/8,W/8,C)和(H/16,W/16,2*C)，其中C为预设特征数量；

步骤3：对中间特征2使用双线性插值进行缩放，使其宽高与中间特征1一致，插值后中间特征2的大小变为(H/8,W/8,2*C)；

步骤4：对提取到的中间特征1和步骤3插值后的中间特征2进行融合，沿特征通道，即最后一个维度进行拼接，拼接后大小为(H/8,W/8,3*C)；

步骤5：输出步骤4得到的矩阵即为原图像的深度特征，大小为(H/8,W/8,3*C)。

进一步的，缺陷检测模型的训练包括以下步骤：

步骤1：输入训练图像共N个，所有图像均为正常样本且宽高尺寸为(H，W)；