一种表面缺陷检测方法与流程

摘要: 本发明涉及机器视觉与工业检测,具体涉及一种表面缺陷检测方法。背景技术:1、合成纤维、纺织面料、陶瓷饰面等工业产品在生产过程中,受原料、设备及工艺等因素影响,产品...
一种表面缺陷检测方法与流程

本发明涉及机器视觉与工业检测,具体涉及一种表面缺陷检测方法。

背景技术:

1、合成纤维、纺织面料、陶瓷饰面等工业产品在生产过程中,受原料、设备及工艺等因素影响,产品外观常出现光泽异常、色差、污渍、压痕、色牢度不均等多种缺陷,对产品质量与市场竞争力构成挑战。

2、除人工目检或传统单波段机器视觉检测之外,现有技术中开始应用基于深度学习的机器视觉方法进行表面缺陷检测。例如,采集目标产品的多波段图像数据,通过单一统计指标对波段进行筛选,将筛选后的波段图像输入卷积神经网络(cnn)提取特征,再经分类或分割头输出缺陷检测结果。

3、发明人发现,现有技术存在以下问题:卷积神经网络受局部感受野限制,导致大尺寸或分布稀疏的缺陷易被漏检;单一统计指标的波段筛选方法未充分考虑波段间的互信息冗余,筛选出的波段集合中仍包含大量重复信息;第三,注意力权重在模型训练完成后固定分配,限制了模型对多样化缺陷场景的自适应增强能力。

技术实现思路

1、本发明的目的在于提供一种表面缺陷检测方法,以解决现有方法在全局感受野、波段冗余抑制及动态注意力自适应方面的不足,实现对工业产品表面多类型缺陷的高精度实时检测。

2、一种表面缺陷检测方法,包括:对目标产品的多波段图像数据进行采集,得到多波段图像数据块;针对所述多波段图像数据块中的各波段维度,采用两阶段选择方法,形成目标选择波段集合;将所述目标选择波段集合输入至双分支mamba编码器,经光谱分支与空间分支并行建模得到光谱特征图与空间特征图;根据所述光谱特征图与空间特征图,通过动态注意力融合模块执行自适应加权融合操作,输出融合特征图;以所述融合特征图为输入,经自监督预训练与监督微调联合训练,得到异常增强特征图;利用所述异常增强特征图对分割头与定位头进行驱动,获取缺陷类别、边界坐标及严重程度评分;结合所述缺陷类别、边界坐标及严重程度评分,经边缘推理平台量化部署,确定出实时检测结果并输出分级指令。

3、可选地,所述对目标产品的多波段图像数据进行采集,得到多波段图像数据块,包括:由工业级多波段相机系统在400纳米至1100纳米范围内采集71个波段的光谱图像,确定出原始多波段帧序列;针对所述原始多波段帧序列,采用关键帧提取与分块重构方法,形成由71个波段通道堆叠构成的所述多波段图像数据块;其中,采集过程采用d65标准光源以45度角照射产品表面,并通过自动定位装置保证各帧灰度一致性。

4、可选地,所述针对所述多波段图像数据块中的各波段维度,采用两阶段选择方法,形成目标选择波段集合,包括:对所述多波段图像数据块中每个波段分别计算信息熵与fisher比,确定出综合得分排名靠前的优选波段子集;将所述优选波段子集中各波段之间的互信息作为边权构建波段关系图,经图割算法对所述波段关系图进行求解,形成信息冗余最小化的所述目标选择波段集合;其中,所述目标选择波段集合包含可见光波段与近红外波段,覆盖对比类缺陷与内部结构类缺陷的互补光谱响应区间。

5、可选地,所述将所述优选波段子集中各波段之间的互信息作为边权构建波段关系图,经图割算法对所述波段关系图进行求解,形成信息冗余最小化的所述目标选择波段集合,包括:对综合得分排名前20位的波段构建波段关系图,图中每条边的权值由对应两波段互信息与最大互信息之差的归一化值确定;对所述波段关系图执行图割算法,从20个优选波段中确定出8个最终目标选择波段,使8个最终目标选择波段之间的信息冗余达到最小化。

6、可选地,所述将所述目标选择波段集合输入至双分支mamba编码器,经光谱分支与空间分支并行建模得到光谱特征图与空间特征图,包括:光谱分支将每个像素位置的多波段数据展开为序列向量,经双向mamba选择性状态空间建模,自适应增强缺陷波段响应并抑制背景波段干扰,输出第一尺度特征图作为所述光谱特征图;空间分支将图像空间位置按扫描顺序展开为位置序列,经双向mamba块处理空间局部相关性与全局结构关系,输出第二尺度特征图作为所述空间特征图;所述光谱特征图与所述空间特征图的空间分辨率均为输入图像的四分之一。

7、可选地,所述根据所述光谱特征图与空间特征图,通过动态注意力融合模块执行自适应加权融合操作,输出融合特征图,包括:动态注意力融合模块联合所述光谱特征图与所述空间特征图,经sigmoid函数生成逐像素空间注意力权重图;以所述空间注意力权重图为系数,对所述光谱特征图与所述空间特征图执行互补加权求和,得到所述融合特征图;其中,所述空间注意力权重图随输入特征动态变化,对不同类型缺陷具有自适应响应能力。

8、可选地,所述以所述融合特征图为输入,经自监督预训练与监督微调联合训练,得到异常增强特征图,包括:预训练阶段以正常图像为训练数据,通过编码重建任务计算重建损失,结合对比成员学习与非成员学习在潜在空间中建立正常样本分布表征;微调阶段以少量标注缺陷样本驱动预训练模型进行参数更新,通过掩码预测任务自监督学习缺陷分布模式,逐步释放模型对缺陷特征的增强能力,输出所述异常增强特征图。

9、可选地,所述利用所述异常增强特征图对分割头与定位头进行驱动,获取缺陷类别、边界坐标及严重程度评分,包括:分割头通过全卷积网络对所述异常增强特征图进行逐像素分类,确定出凹陷、污渍、压痕及色牢度不均等缺陷类别及其分割掩码;定位头通过锚点框定机制直接从所述异常增强特征图重构缺陷边界坐标偏移量,确定出所述边界坐标;针对每处检测缺陷,经归一化映射将异常响应强度转换为零至一区间内的所述严重程度评分。

10、可选地,所述结合所述缺陷类别、边界坐标及严重程度评分,确定出实时检测结果并输出分级指令,包括:将属于同一缺陷的缺陷类别、边界坐标及严重程度评分进行对齐与关联,并依据预设的严重等级阈值将所述严重程度评分离散化为等级标签,生成包含缺陷位置、类别及严重等级的实时检测结果;根据所述实时检测结果对目标产品进行细分类别判定,输出对应的分级指令。

11、可选地,所述方法还包括:所述方法还包括:接收用户对检测结果的确认或修正操作,将修正后的标注信息作为增量训练样本,对所述双分支mamba编码器进行在线参数更新。

12、本发明提供的表面缺陷检测方法中,首先,采用双分支mamba编码器的光谱分支对每个像素位置的多波段数据展开为序列进行双向状态空间建模,空间分支对图像空间位置展开为序列进行双向状态空间建模,从而在光谱维度和空间维度同时建立全局依赖关系,既克服了cnn局部感受野的限制,又避免了transformer的二次复杂度瓶颈,其次,采用两阶段选择方法,第一阶段基于各波段的统计特性初筛,第二阶段基于波段间互信息构建关系图并经图割算法求解,形成信息冗余最小化的目标选择波段集合,从而在保留互补光谱信息的前提下有效抑制波段冗余,降低后续编码器的输入维度,再次,通过动态注意力融合模块执行自适应加权融合操作,使融合权重随不同缺陷类型和空间位置自适应变化,从而避免了固定权重分配对多样化缺陷场景的响应局限,最后,通过自监督预训练与监督微调联合训练得到异常增强特征图,驱动分割头与定位头并行输出缺陷类别、边界坐标及严重程度评分,并最终经边缘推理平台量化部署实现实时检测与分级输出,进而实现对工业产品表面多类型缺陷的高精度实时检测。

13、上述说明仅是本公开技术方案的概述,为了能更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为让本公开的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。