申请/专利权人：浙江大学;浙江大学金华研究院

申请日：2023-11-09

公开（公告）日：2024-03-08

公开（公告）号：CN117670798A

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06V10/44;G06V10/26;G06T5/70;G06T5/50;G06V10/764;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.26#实质审查的生效;2024.03.08#公开

摘要：一种基于视觉的物体表面轻微缺陷检测方法，包括：步骤1：异常分割，获取输入图片各像素对应的异常分数；步骤2：异常检测，利用分割结果改善检测效果。异常分割部分使用预训练网络作为特征提取器，提取输入图片的多尺度特征并压缩与平均特征内存库中的特征进行比较，以减少噪声影响；使用k近邻搜索和深度支持向量数据描述实现特征域适应，获得异常分割结果。异常检测部分，将异常分割结果通过归一化流映射到新的先验分布；结合多尺度异常融合，进一步减小噪声干扰，提高检测准确性。本发明适用于各种物体的表面异常检测，特别地适用于异常不明显、噪声干扰大的杯壶内表面缺陷检测。

主权项：1.一种基于视觉的物体表面轻微缺陷检测方法，其特征在于，包括以下步骤：步骤1：异常分割，获取输入图片各像素对应的异常分数；步骤1.1：特征提取和压缩；使用预训练网络作为特征提取器，提取输入图片的多尺度特征并压缩；步骤1.2：平均特征记忆库；使用训练集的平均特征记忆库控制推理所需的计算量和内存占用；步骤1.3：特征域适应；使用kNNk-nearestneighbor，k近邻搜索和欧式距离获取近邻特征的距离使用K个最近邻计算损失函数；使用M＝dk计算分块的热度图分数并获得异常分割结果；步骤2：异常检测，利用分割结果改善检测效果；步骤2.1：训练归一化流网络模型；不同大小的块的特征通过NFNormalizingFlows，归一化流映射到先验分布Z～N0,I，检测阶段的训练目标是最大化特征的对数似然函数： 步骤2.2：多尺度异常分数融合；不同大小的块的对数似然分数通过双线性插值到相同的大小后叠加，多层的图叠加在一起，异常区域被凸显，此时整张图的最大值融合了不同尺度的异常信息，能更有效地表示图像的异常程度。

全文数据：

权利要求：

百度查询： 浙江大学;浙江大学金华研究院 一种基于视觉的物体表面轻微缺陷检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD