申请/专利权人：易思维(杭州)科技股份有限公司

申请日：2023-12-29

公开（公告）日：2024-04-02

公开（公告）号：CN117808776A

主分类号：G06T7/00

分类号：G06T7/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种基于深度学习的缺陷检测方法，包括如下步骤：S1、获取同一场景下的多张图像；S2、根据缺陷最小检测尺寸设置局部搜索参数；S3、构建网络模型Model1；S4、搭建与Model1结构相同的网络模型Model2；S5、划分数据集S6、将训练集中图像数据通过数据增强方式从原图像I转变为数据增强图像IA；将图像I输入至网络模型Model1中训练，将图像IA输入至网络模型Model2中训练；S7、不断更新网络模型Model1、网络模型Model2，确认优选模型；S8、基于优选模型构建预测模型；S9、将图像输入预测模型，获取特征图；S10、将所有特征图叠算得到预测图；S11、基于映射预测图中的像素值，获取像素分布特征进而检测出缺陷区域。该方法采用无监督训练，能达到像素级检测效果，鲁棒性强、可实施性高。

主权项：1.一种基于深度学习的缺陷检测方法，其特征在于包括如下步骤：S1、获取同一场景下的多张图像，其中既包括正常图像，也包括缺陷图像；将所有图像尺寸重设为W×H，记为数据集D；S2、根据缺陷最小检测尺寸设置局部搜索区域宽度参数P、移动步长参数S，S≤P，计算横向搜索数量N1、纵向搜索数量N2；N1＝W-P+1SN2＝H-P+1SS3、构建网络模型Model1，其中分支一由输入层、编码层、特征层、特征重组层、Patch特征层、Patch最大池化层构成；分支二由输入层、编码层、特征层、特征重组层、Patch特征层、特征重构层、重组特征层、解码层、输出层组成；分支一、分支二中名称相同的层共用；S4、搭建与网络模型Model1结构相同的网络模型Model2；S5、将数据集D中图像划分为训练集和验证集；S6、将训练集中图像数据通过数据增强方式从原图像I转变为数据增强图像IA；将图像I输入至网络模型Model1中训练，将图像IA输入至网络模型Model2中训练，其中网络模型Model1的损失记为Loss1，网络模型Model2损失记为Loss2；Loss1＝λ1×LossFunc1+λ2×LossFunc2Loss2＝λ1×LossFunc3+λ2×LossFunc2其中，LossFunc1为网络模型Model1输入层与网络模型Model1输出层之间的重构损失；LossFunc1损失系数为λ1；LossFunc2为网络模型Model1的Patch最大池化层与网络模型Model2的Patch最大池化层之间的偏差损失；LossFunc2损失系数为λ2；LossFunc3为网络模型Model2输入层与网络模型Model2输出层之间的重构损失；S7、通过训练集数据不断更新网络模型Model1、网络模型Model2，同时模型在验证集上的Loss1、Loss2；当训练结束时，选择在验证集上Loss1+Loss2的最小值所对应的网络模型Model1、网络模型Model2作为优选模型；S8、取出网络模型Model1中的分支一作为预测模型；S9、将非数据集D中的图像输入预测模型，在Patch最大池化层得到wn，n＝1，2……N，代表第n个Patch特征层的权重；取出Patch特征层通道特征fn，n＝1，2……N，每个fn的大小为P×P；将wn与fn对应相乘，得到加权的N个P×P特征图wfn；S10、将所有特征图wfn按顺序根据步长S排列，每行排列N1个特征，每一列排列N2个特征，特征图叠算得到预测图，预测图每一点的像素值按照如下公式进行计算： wfn＝{Pixeluvu∈0,P,v∈0,P其中：Pre代表预测图；由N张填充预测图Fn叠加计算得到；Fn为W×H的大小的图像，Fnxy表示Fn上x，y位置处的像素值，Pixeluv表示wfn上u,v位置处的像素值，[]表示取整符号；S11、将预测图中各位置像素值重新映射0-255获取映射预测图，通过获取映射预测图像素分布特征进而检测出缺陷区域。

全文数据：

权利要求：

百度查询： 易思维(杭州)科技股份有限公司 一种基于深度学习的缺陷检测方法

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