工件表面缺陷检测方法、装置、设备及介质

摘要: 本技术涉及工件缺陷检测领域,尤其涉及一种工件表面缺陷检测方法、相应的装置、电子设备及计算机可读存储介质。背景技术:1、在现代工业生产过程中,工件表面缺陷检测是保...
工件表面缺陷检测方法、装置、设备及介质

本技术涉及工件缺陷检测领域,尤其涉及一种工件表面缺陷检测方法、相应的装置、电子设备及计算机可读存储介质。

背景技术:

1、在现代工业生产过程中,工件表面缺陷检测是保障产品质量的重要环节,广泛应用于电子制造、精密加工、汽车工业以及材料检测等领域。传统的缺陷检测方法主要依赖人工目检或基于手工特征的图像处理技术。然而,在实际应用中,人工检测不仅效率低下,而且容易受到主观因素影响,导致检测结果稳定性较差;基于手工特征的方法则依赖经验设计,难以适应复杂多变的工业场景,尤其在面对微小缺陷或复杂纹理背景时,检测性能显著下降。

2、随着深度学习技术的发展,基于卷积神经网络的缺陷检测方法逐渐成为研究热点。其中,监督学习方法通过大量标注数据进行训练,在部分场景中取得了较好的检测效果。然而,在工业实际应用中,缺陷样本通常具有获取困难、类别不均衡以及标注成本高等特点,使得监督学习方法难以充分发挥其优势。

3、为解决上述问题,无监督缺陷检测方法逐渐受到关注。现有基于归一化流的缺陷检测方法由于具备精确概率密度建模能力,在部分工业场景中具有一定的优势。然而,现有基于归一化流的缺陷检测方法在实际应用中仍存在多尺度特征建模语义错位与尺度权重依赖人工设定等问题,泛化能力较差。

4、综上所述,适应现有技术中基于归一化流的缺陷检测方法在多尺度特征建模中存在语义错位,且多尺度融合权重与损失权重均依赖人工设定,导致模型泛化能力较差等问题,本技术人出于解决该问题的考虑作出相应的探索。

技术实现思路

1、本技术的目的在于解决上述问题而提供一种工件表面缺陷检测方法、相应的装置、电子设备及计算机可读存储介质。

2、为满足本技术的各个目的,本技术采用如下技术方案:

3、适应本技术的目的之一而提出的一种工件表面缺陷检测方法,包括:

4、获取待检测工件表面图像,将所述待检测工件表面图像输入至特征提取网络,提取多尺度初始特征图,构成多尺度特征集合;

5、对所述多尺度特征集合中的各初始特征图进行跨层空间对齐和通道对齐,采用跨尺度门控加权机制将对齐后的各层特征进行自适应融合,生成语义增强的多尺度特征图;

6、对各语义增强的多尺度特征图进行通道注意力建模,得到各尺度注意力增强特征;通过softmax函数对各尺度注意力增强特征进行权重归一化以得到自适应融合权重,根据所述自适应融合权重对各尺度注意力增强特征进行融合,得到多尺度融合特征;

7、将所述多尺度融合特征输入至归一化流模型,通过可逆耦合变换将其映射为潜在变量,并计算对应的对数似然值;在模型训练阶段,将工件表面样本图像输入至所述归一化流模型,获取各尺度分支输出的潜在变量,计算各尺度对应的负对数似然损失并进行尺度归一化,引入各尺度的可学习权重参数进行加权求和,构建总损失函数以优化所述归一化流模型;

8、在模型推理阶段,将待检测工件表面图像输入至训练好的归一化流模型,根据所述潜在变量生成异常得分图并计算图像级异常分数,根据所述图像级异常分数判断是否存在缺陷,并根据所述异常得分图输出缺陷检测结果。

9、可选的,将所述待检测工件表面图像输入至特征提取网络,提取多尺度初始特征图,构成多尺度特征集合的步骤,包括:

10、将所述待检测工件表面图像输入至预训练的特征提取网络,使所述待检测工件表面图像在所述特征提取网络中进行前向传播;

11、从所述特征提取网络的多个不同深度层级分别截取特征图,所述多个不同深度层级至少包括浅层特征层、中层特征层和深层特征层;

12、将各深度层级截取的特征图作为该深度层级对应的初始特征图,将各深度层级对应的初始特征图合并,构成所述多尺度特征集合。

13、可选的,对所述多尺度特征集合中的各初始特征图进行跨层空间对齐和通道对齐,采用跨尺度门控加权机制将对齐后的各层特征进行自适应融合,生成语义增强的多尺度特征图的步骤,包括:

14、对所述多尺度特征集合中的各初始特征图分别进行空间尺寸统一和通道数统一,得到空间对齐且通道对齐后的各层特征图;

15、分别计算空间对齐且通道对齐后的各层特征图的跨尺度门控权重,其中,所述跨尺度门控权重用于表征各层特征图在空间位置上的重要性分布;

16、采用所述跨尺度门控权重分别对对齐后的各层特征图进行加权调制,将调制后的各层特征图沿通道维度拼接,得到拼接特征图;

17、对所述拼接特征图进行通道降维,对通道降维后的特征图应用通道注意力机制进行增强处理,再下采样至目标空间尺寸,生成语义增强的多尺度特征图。

18、可选的,通过softmax函数对各尺度注意力增强特征进行权重归一化以得到自适应融合权重,根据所述自适应融合权重对各尺度注意力增强特征进行融合,得到多尺度融合特征的步骤,包括:

19、分别提取各尺度注意力增强特征各自的全局统计量;

20、将各尺度对应的全局统计量构建统计量向量,并输入至softmax函数进行归一化处理,计算得到各尺度特征对应的自适应融合权重;

21、分别以各尺度对应的自适应融合权重,对相应尺度的注意力增强特征进行加权处理;

22、将加权处理后的各尺度特征图对应元素相加,得到多尺度融合特征。

23、可选的,将所述多尺度融合特征输入至归一化流模型,通过可逆耦合变换将其映射为潜在变量,并计算对应的对数似然值的步骤,包括:

24、将所述多尺度融合特征分别输入至归一化流模型对应的各尺度分支;

25、通过各尺度分支中串联的多个可逆耦合层,对输入的各尺度特征逐级执行非线性变换,将各尺度特征从观测空间映射至潜在空间,得到各尺度对应的潜在变量;

26、根据各尺度对应的潜在变量,分别计算各尺度特征在所述归一化流模型下的对数似然值。

27、可选的,在模型训练阶段,将工件表面样本图像输入至所述归一化流模型,获取各尺度分支输出的潜在变量,计算各尺度对应的负对数似然损失并进行尺度归一化,引入各尺度的可学习权重参数进行加权求和,构建总损失函数以优化所述归一化流模型的步骤,包括:

28、在模型训练阶段,将工件表面样本图像输入至所述归一化流模型,获取所述归一化流模型各尺度分支输出的潜在变量;

29、分别根据各尺度对应的潜在变量计算各尺度的负对数似然损失;

30、分别对各尺度的负对数似然损失按其维度进行归一化处理,得到各尺度归一化损失;

31、引入各尺度的可学习权重参数,将各尺度的可学习权重参数经softmax函数转换为各尺度对应的自适应损失权重;

32、采用所述自适应损失权重对各尺度归一化损失进行加权求和,构建总损失函数;以最小化所述总损失函数为目标,通过反向传播更新所述归一化流模型的网络参数,以优化所述归一化流模型。

33、可选的,在模型推理阶段,将待检测工件表面图像输入至训练好的归一化流模型,根据所述潜在变量生成异常得分图并计算图像级异常分数,根据所述图像级异常分数判断是否存在缺陷,并根据所述异常得分图输出缺陷检测结果的步骤,包括:

34、在模型推理阶段,将待检测工件表面图像依次经多分辨率特征提取、语义增强融合及注意力加权融合后输入至训练好的归一化流模型,获取所述归一化流模型各尺度分支输出的潜在变量;

35、根据各尺度对应的潜在变量计算各像素位置的异常响应值,生成各尺度异常得分图;

36、将各尺度异常得分图通过上采样调整至相同空间尺寸后,逐像素取最大值进行融合,得到最终异常得分图,取所述最终异常得分图中所有像素位置异常响应值的最大值作为图像级异常分数;

37、将所述图像级异常分数与预设阈值进行比较,若所述图像级异常分数大于或等于所述预设阈值,则判定待检测工件表面存在缺陷,否则,判定待检测工件表面为无缺陷;

38、根据所述最终异常得分图生成缺陷热力图,输出缺陷检测结果。

39、适应本技术的另一目的而提供的一种工件表面缺陷检测装置,包括:

40、特征提取模块,设置为获取待检测工件表面图像,将所述待检测工件表面图像输入至特征提取网络,提取多尺度初始特征图,构成多尺度特征集合;

41、语义增强模块,设置为对所述多尺度特征集合中的各初始特征图进行跨层空间对齐和通道对齐,采用跨尺度门控加权机制将对齐后的各层特征进行自适应融合,生成语义增强的多尺度特征图;

42、注意力加权融合模块,设置为对各语义增强的多尺度特征图进行通道注意力建模,得到各尺度注意力增强特征;通过softmax函数对各尺度注意力增强特征进行权重归一化以得到自适应融合权重,根据所述自适应融合权重对各尺度注意力增强特征进行融合,得到多尺度融合特征;

43、归一化流建模模块,设置为将所述多尺度融合特征输入至归一化流模型,通过可逆耦合变换将其映射为潜在变量,并计算对应的对数似然值;在模型训练阶段,将工件表面样本图像输入至所述归一化流模型,获取各尺度分支输出的潜在变量,计算各尺度对应的负对数似然损失并进行尺度归一化,引入各尺度的可学习权重参数进行加权求和,构建总损失函数以优化所述归一化流模型;

44、缺陷检测输出模块,设置为在模型推理阶段,将待检测工件表面图像输入至训练好的归一化流模型,根据所述潜在变量生成异常得分图并计算图像级异常分数,根据所述图像级异常分数判断是否存在缺陷,并根据所述异常得分图输出缺陷检测结果。

45、适应本技术的另一目的而提供的一种电子设备,包括中央处理器和存储器,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述工件表面缺陷检测方法的步骤。

46、适应本技术的另一目的而提供的一种计算机可读存储介质,其以计算机可读指令的形式存储有依据所述工件表面缺陷检测方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。

47、相对于现有技术,本技术针对现有技术中基于归一化流的缺陷检测方法在多尺度特征建模中存在语义错位,且多尺度融合权重与损失权重均依赖人工设定,导致模型泛化能力较差等问题,本技术包括但不限于如下有益效果:

48、其一、本技术通过对多尺度特征集合中的各初始特征图进行跨层空间对齐和通道对齐,使不同层级的特征在空间尺寸和通道维度上达到一致,再通过跨尺度门控加权机制对各层特征进行自适应融合,有效解决了现有归一化流方法中浅层纹理特征与深层语义特征在融合时产生的语义错位问题,提升了多尺度特征表达的准确性和一致性。

49、其二、本技术通过构建多尺度分支,对各尺度特征进行通道注意力建模,并利用softmax函数对各尺度注意力增强特征进行权重归一化,得到自适应融合权重,避免了传统方法中依赖人工经验设定或采用等权重策略所带来的不确定性,使模型能够根据数据分布自适应地调整尺度间的重要性,提高了模型对不同尺寸缺陷的适应能力。

50、其三、本技术在损失函数构建中引入各尺度的可学习权重参数,将其经softmax函数转换为自适应损失权重,并对各尺度的负对数似然损失按其维度进行归一化处理,有效避免了不同尺度维度不一致造成的偏置问题,实现了多尺度损失的合理平衡,提升了模型的优化效率和检测精度。

51、其四、本技术通过语义增强处理、自适应注意力加权融合以及可学习多尺度加权损失函数的协同作用,使归一化流模型能够更精确地对正常样本的分布进行建模,在推理阶段对异常区域产生更高的响应灵敏度,从而在缺陷样本稀缺的工业场景下仍能保持较高的检测精度和良好的泛化能力。

52、其五、本技术在推理阶段根据潜在变量生成异常得分图,计算图像级异常分数,通过与预设阈值比较实现图像级缺陷判定,同时根据异常得分图生成缺陷热力图,实现像素级的缺陷区域定位。