缺陷检测方法和装置与流程
本技术涉及工业视觉检测,特别是涉及一种缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术:
1、工业视觉检测是现代智能制造质量控制的核心环节。随着高端制造技术的不断发展,产品缺陷呈现微尺度化、多样化、背景复杂化的趋势,工业产线对视觉检测系统的检测精度、实时性和自适应能力提出了极高要求。
2、传统技术中,在产线中通常采用固定阈值或静态规则的策略配置。
3、然而,目前的方式当产线出现工艺波动时,无法自动识别状态变化并触发相应级别的检测动作,导致缺陷趋势上升时无法自动强化缺陷检测精度,使得产线在动态工况下难以同时兼顾检测质量与生产效率。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种在动态的产线工况下同时兼顾检测质量与生产效率的缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本技术提供了一种缺陷检测方法,所述方法包括:
3、获取目标产品的缺陷检测图像,对所述缺陷检测图像进行逐层级推理和特征分割,确定诊断结果参数;
4、将产线的当前状态编码和第一历史动作序列输入至目标策略网络,得到所述目标策略网络输出的当前决策动作;其中,所述目标策略网络是基于所述诊断结果参数和目标函数训练得到;
5、对所述当前决策动作和所述诊断结果参数执行综合判断,确定目标决策动作;
6、输出所述目标决策动作和所述诊断结果参数。
7、在其中一个实施例中,所述目标策略网络的训练方式,包括:
8、将所述当前状态编码和第二历史动作序列输入初始策略网络,接收所述初始策略网络输出的决策动作;
9、执行所述决策动作,并记录执行所述决策动作后的实际反馈数据;其中,所述实际反馈数据包括产线的检测性能的变化、检测效率的变化、诊断链置信度向量的变化和执行所述决策动作的代价成本;
10、基于所述检测性能的变化确定检测达成奖励;基于所述检测效率的变化确定效率奖励;基于所述诊断链置信度向量的变化确定诊断质量奖励;
11、基于所述检测达成奖励、所述效率奖励、所述诊断质量奖励和所述代价成本,确定当前时间步的即时奖励;
12、根据连续多个时间步的所述即时奖励,确定目标函数值;
13、根据所述目标函数值对所述初始策略网络的权重进行调整,得到所述目标策略网络。
14、在其中一个实施例中,所述诊断结果参数包括诊断链置信度向量、缺陷成因诊断链和缺陷等级;所述对所述当前决策动作和所述诊断结果参数执行综合判断,确定目标决策动作,包括:
15、当所述当前决策动作的类型为第一类型决策动作、且所述诊断链置信度向量大于等于置信度阈值时,执行输出所述诊断结果参数;其中,所述第一类型决策动作表征正常检测输出;
16、当所述当前决策动作的类型为第二类型决策动作时,根据所述诊断链置信度向量,调整逐层级推理过程中的特征阈值;其中,所述第二类型决策动作表征调整检测阈值组;
17、当所述当前决策动作的类型为第三类型决策动作或第四类型决策动作时,根据所述缺陷成因诊断链,生成对应的工艺调整策略;其中,所述第三类型决策动作表征暂停产线;所述第四类型决策动作表征工艺调整;
18、当所述缺陷等级的可信度大于等于可信度阈值,将任一所述类型的决策动作调整为所述第三类型决策动作。
19、在其中一个实施例中,所述诊断结果参数包括缺陷成因诊断链、缺陷等级、诊断链置信度向量、缺陷实例掩码和缺陷类别结果;所述对所述缺陷检测图像进行逐层级推理和特征分割,确定诊断结果参数,包括:
20、对所述缺陷检测图像进行逐层级推理,输出所述缺陷成因诊断链和所述缺陷等级;其中,所述缺陷成因诊断链包括每一层级节点处的缺陷成因;
21、根据所述缺陷成因诊断链中每一所述缺陷成因的置信度,确定诊断链置信度向量;
22、基于所述缺陷检测图像和所述诊断链置信度向量,确定所述缺陷实例掩码和所述缺陷类别结果。
23、在其中一个实施例中,所述基于所述缺陷检测图像和所述诊断链置信度向量,确定所述缺陷实例掩码和所述缺陷类别结果,包括:
24、对所述缺陷检测图像进行多尺度特征图提取,得到特征图;
25、基于所述诊断链置信度向量对所述特征图进行增强融合,得到处理后的特征图;
26、基于所述处理后的特征图生成多个缺陷区域,对于每一所述缺陷区域,从所述处理后的特征图中裁剪出与所述缺陷区域对应的特征子图;
27、针对每一所述特征子图,对所述特征子图进行处理,得到所述缺陷区域的所述缺陷实例掩码;将所述特征子图与所述诊断链置信度向量进行特征拼接后分类,得到所述缺陷区域的所述缺陷类别结果。
28、在其中一个实施例中,所述基于所述诊断链置信度向量对所述特征图进行增强融合,得到处理后的特征图,包括:
29、将所述诊断链置信度向量转换为注意力增强向量;
30、将所述注意力增强向量与每一所述特征图分别进行融合处理,得到处理后的特征图。
31、在其中一个实施例中,所述对所述缺陷检测图像进行逐层级推理,输出所述缺陷成因诊断链和所述缺陷等级,包括:
32、通过根节点接收所述缺陷检测图像;
33、通过一级节点对所述缺陷检测图像进行检测,得到第一缺陷候选区域;针对每一所述第一缺陷候选区域提取形态特征参数,基于各所述第一缺陷候选区域的形态特征参数,确定所述一级节点处的第一缺陷成因;筛选大于形态特征阈值的所述形态特征参数对应的所述第一缺陷候选区域作为第二缺陷候选区域;
34、通过二级节点对每一所述第二缺陷候选区域提取纹理灰度特征参数,基于各所述第二缺陷候选区域的纹理灰度特征参数,确定所述二级节点处的第二缺陷成因;筛选大于纹理灰度特征阈值的所述纹理灰度特征参数对应的所述第二缺陷候选区域作为第三缺陷候选区域;
35、通过三级节点对每一所述第三缺陷候选区域提取空间结构特征参数,基于各所述第三缺陷候选区域的空间结构特征参数,确定所述三级节点处的第三缺陷成因;筛选大于结构特征阈值的所述空间结构特征参数对应的所述第三缺陷候选区域作为第四缺陷候选区域;
36、通过叶节点对所述第四缺陷候选区域的所述形态特征参数、纹理灰度特征参数和所述空间结构特征参数进行综合分析,确定所述叶节点处的第四缺陷成因和缺陷等级。
37、在其中一个实施例中,所述根据所述缺陷成因诊断链中每一所述缺陷成因的置信度,确定诊断链置信度向量,包括:
38、获取当前缺陷成因所在的当前层级节点的上一层级节点,并获取所述上一层级节点的历史置信度;
39、基于在所述当前层级节点处所提取的特征参数,确定特征得分;
40、根据所述历史置信度和所述特征得分,确定所述当前层级节点的置信度,直至得到每一所述层级节点处的置信度;
41、将每一层级节点的所述置信度按照层级节点的顺序拼接,确定所述诊断链置信度向量。
42、在其中一个实施例中,所述诊断链置信度向量的更新,包括:
43、获取待更新层级节点处的待更新置信度和所述待更新层级节点处的修正项;其中,所述修正项是基于待更新层级节点处的缺陷候选区域进行二次成像并在二次成像的图像中重新执行提取待更新层级节点处的特征参数,基于所述特征参数确定,或,是基于所述目标产品的前序产品的缺陷形貌特征随时间或序号的演变趋势确定;
44、基于记忆衰减因子和所述修正项对所述待更新置信度进行更新,得到所述待更新层级节点处的更新后的置信度;
45、将诊断链置信度向量中的所述待更新置信度替换为更新后的置信度。
46、第二方面,本技术还提供了一种缺陷检测装置,所述装置包括:
47、获取诊断模块,用于获取目标产品的缺陷检测图像,对所述缺陷检测图像进行逐层级推理和特征分割,确定诊断结果参数;
48、确定模块,用于将产线的当前状态编码和第一历史动作序列输入至目标策略网络,得到所述目标策略网络输出的当前决策动作;其中,所述目标策略网络是基于所述诊断结果参数和目标函数训练得到;
49、判断模块,用于对所述当前决策动作和所述诊断结果参数执行综合判断,确定目标决策动作;
50、输出模块,用于输出所述目标决策动作和所述诊断结果参数。
51、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
52、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
53、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
54、上述缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,首先,获取目标产品的缺陷检测图像,对缺陷检测图像进行逐层级推理和特征分割,确定诊断结果参数;通过对逐层级推理和特征分割从不同颗粒度推演出诊断结果参数。其次,将产线的当前状态编码和第一历史动作序列输入至目标策略网络,得到目标策略网络输出的当前决策动作;其中,目标策略网络是基于诊断结果参数和目标函数训练得到;通过目标策略网络输出选择效率优先的决策动作。最后,对当前决策动作和诊断结果参数执行综合判断,确定目标决策动作;输出目标决策动作和诊断结果参数。通过考虑缺陷检测与产线状态之间的双向交互,实现缺陷检测策略与产线状态的协同自适应,在兼顾缺陷检测质量的同时考虑产线的生产效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com