申请/专利权人：清华大学

申请日：2022-02-23

公开（公告）日：2024-04-12

公开（公告）号：CN114581386B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/136;G06T5/70

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.06.21#实质审查的生效;2022.06.03#公开

摘要：本申请涉及一种基于时空数据的缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：通过将目标时间段的视频帧对应的二维检测数据输入至预先训练的像素值预测模型，得到目标时间段的下一采样时刻的第一预测像素数据；根据待检测视频数据中的目标时间段的下一采样时刻的目标像素位置点处的像素值序列，以及第一预测像素数据，计算第一重构误差矩阵，将第一重构误差矩阵中重构误差大于预设缺陷检测阈值的位置点，作为待检测视频数据的缺陷位置点。本发明所提供的基于时空数据的缺陷检测方法可以实现待检测对象的自动缺陷检测，可以对周期循环的纹理大小形状多变的纹理织物进行准确的缺陷检测。

主权项：1.一种基于时空数据的缺陷检测方法，其特征在于，所述方法包括：采集待检测视频数据，所述待检测视频数据包括连续的多张视频帧以及各视频帧上各位置点的像素值；对目标时间段的视频帧数据进行二维转换，得到二维检测数据，所述二维检测数据包括所述视频帧的目标像素位置点处随时间变化的多个像素值序列；将所述二维检测数据输入至预先训练的像素值预测模型，得到所述目标时间段的下一采样时刻的第一预测像素数据；根据所述待检测视频数据中的所述目标时间段的下一采样时刻的所述目标像素位置点处的像素值序列，以及所述第一预测像素数据，计算第一重构误差矩阵，所述第一重构误差矩阵包括所述视频帧的所述目标像素位置点处的重构误差；将所述第一重构误差矩阵中重构误差大于预设缺陷检测阈值的位置点，作为所述待检测视频数据的缺陷位置点；所述方法还包括：获取初始样本视频数据，所述初始样本视频数据包括连续的多张视频帧以及各视频帧上各位置点的像素值；将所述初始样本视频数据进行二维转换，得到二维样本数据，所述二维样本数据包括所述视频帧的目标像素位置点处随时间变化的多个样本像素值序列；将所述二维样本数据中预设时间段的训练数据，输入至待训练的像素值预测模型，得到所述预设时间段的下一采样时刻的第二预测像素数据，所述预设时间段的训练数据包括随时间变化的个像素值序列；根据所述二维样本数据中预设时间段的下一采样时刻的视频帧与所述第二预测像素数据，计算损失值；根据所述损失值更新所述待训练的像素值预测模型的网络参数，并返回执行所述获取初始样本视频数据的步骤，直到所述损失值满足预设训练完成条件，得到训练完成的像素值预测模型；所述像素值预测模型包括至少一个门控循环单元、注意力机制单元、拼接单元以及全连接层单元；所述将所述二维样本数据中预设时间段的训练数据，输入至待训练的像素值预测模型，得到所述预设时间段的下一采样时刻的第二预测像素数据，所述预设时间段的训练数据包括随时间变化的l个像素值序列，包括：将预设初始隐状态特征向量序列以及第一个像素值序列输入至第一个门控循环单元，输出第一个隐状态特征向量序列；将第k-1个隐状态特征向量序列以及第k个像素值序列输入至第k个门控循环单元，输出第k个隐状态特征向量序列，1kl；将第l-1个隐状态特征向量序列以及第l个像素值序列输入至第l个门控循环单元，输出目标时间特征向量序列，所述目标时间特征向量序列包含所述目标像素位置点处的时间特征向量；将所述目标时间特征向量序列输入所述注意力机制单元，得到空间相关系数序列，所述空间相关系数序列包含所述目标像素位置点处的空间特征向量；根据所述空间相关系数序列对所述目标时间特征向量序列进行更新处理，得到更新后的目标时间特征向量序列；将所述目标时间特征向量序列与所述更新后的目标时间特征向量序列进行拼接处理，得到标准时间特征向量序列，所述标准时间特征向量序列中包括所述目标像素位置点处的位置点预测特征向量；将所述标准时间特征向量序列包含的所述目标像素位置点处的位置点预测特征向量输入至全连接层，得到所述预设时间段的下一采样时刻的第二预测像素数据。

全文数据：

权利要求：

百度查询： 清华大学 基于时空数据的缺陷检测方法及装置

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