一种基于Mask约束式工业缺陷数据增强系统的制作方法

本发明属于工业机器视觉与人工智能训练数据生成交叉，尤其涉及一种基于mask约束式工业缺陷数据增强系统。

背景技术：

1、工业缺陷检测依托光学成像与智能分析实现产品外观缺陷的自动化识别判定，是保障制造良率、降低检测成本、提升产线自动化水平的核心环节。随着深度学习ai视觉检测逐步替代传统人工目检与规则化方案，成为工业小目标缺陷检测的主流技术路径，训练数据的真实性、分布合理性与标注完备性直接决定了模型的检测精度与落地效果。

2、与通用自然图像视觉检测不同，工业缺陷检测场景存在多重固有行业约束，构成了ai落地的核心数据瓶颈。其一，真实缺陷样本极度稀缺，工业产线整体良率普遍高于99%，严重缺陷出现概率低于0.1%，千级有效样本采集需数月周期且需停产配合，单张样本成本高昂；新建产线投产前无任何缺陷样本，导致ai模型无法及时部署。其二，缺陷分布受严格工业空间约束，仅能出现在焊盘、工艺间隙等特定区域，随机生成的缺陷不符合工艺规则，不具备训练价值。其三，检测目标多为微米级密集小目标，单张高分辨率图像可包含数千个检测对象，相邻间距极小，缺陷重叠、越界会向模型引入错误特征，反而降低检测精度。其四，多任务标注成本高，工业检测需同步覆盖目标检测、语义分割与缺陷分类任务，像素级掩码标注成本远高于普通标注，且人工标注误差率较高。其五，系统性缺陷难以模拟，工业生产常出现整列缺球、区域性连锡等批量性缺陷，传统方法仅能生成孤立单点缺陷。

3、当前工业数据增强技术主要分为传统几何变换增强与图像合成增强两类，均存在难以克服的缺陷。前者通过旋转、翻转、加噪等像素操作扩充数据，完全不具备工业空间逻辑理解能力，生成的缺陷位置违背真实工业规律，易导致模型误检率居高不下。后者以cutpaste、copy-paste等算法为代表，缺少碰撞检测机制，生成的缺陷易重叠粘连，且无法匹配真实生产的缺陷分布规律，导致模型上线后泛化能力不足、精度大幅下降。同时两类方法均无法同步更新标注信息，增强后的样本仍需人工重新标注，不仅未降低成本，反而增加了工作量与标注误差。

技术实现思路

1、本发明目的在于提供一种基于mask约束式工业缺陷数据增强系统,以解决工业缺陷检测领域真实缺陷样本采集难度大、成本高，传统数据增强方法缺乏工业空间约束导致生成样本失真、无法同步生成多任务标注，进而造成ai检测模型训练数据质量差、部署周期长的技术问题。

2、为实现上述目的，本发明的一种基于mask约束式工业缺陷数据增强系统的具体技术方案如下：

3、一种基于mask约束式工业缺陷数据增强系统，包括空间约束建模单元、缺陷模板管理单元、约束式缺陷生成单元、图像融合单元以及多任务标注生成单元；

4、所述空间约束建模单元用于构建适配检测场景的多层级空间约束掩码，以在背景图像中划定缺陷生成的允许区域与禁止区域；

5、所述缺陷模板管理单元用于存储并管理工业缺陷模板及各模板对应的关联属性信息；

6、所述约束式缺陷生成单元用于以所述多层级空间约束掩码为边界规则，在允许区域内生成缺陷排布方案；

7、所述图像融合单元用于将所述缺陷排布方案对应的缺陷模板融合至背景图像中，输出缺陷样本图像；

8、所述多任务标注生成单元用于依据所述缺陷排布方案与对应缺陷模板的属性信息，同步生成与所述缺陷样本图像对应的多任务标注数据集。

9、作为本发明的进一步改进，所述空间约束建模单元构建的多层级空间约束掩码包括全局约束掩码、工艺区域掩码和缺陷类型掩码；所述全局约束掩码用于标记背景图像范围内禁止生成任何缺陷的禁止区域；所述工艺区域掩码用于划分背景图像内不同属性的工艺区域；所述缺陷类型掩码用于为每一类缺陷单独限定对应的允许区域。

10、作为本发明的进一步改进，所述空间约束建模单元包括手动绘制掩码构建方式与自动生成掩码构建方式；所述手动绘制掩码构建方式通过可视化交互工具绘制不同工艺区域的边界，以生成对应层级的空间约束掩码；所述自动生成掩码构建方式通过目标检测模型识别场景中的功能元件位置生成对应的空间约束掩码。

11、作为本发明的进一步改进，所述缺陷模板管理单元采用分层分类的存储架构，包括正常对象模板库、缺陷样本模板库与背景模板库；每个模板均对应存储有图像数据、像素级分割掩码、类别标签以及视觉特征参数；所述缺陷模板管理单元还包含模板增强模块，所述模板增强模块通过对原始模板执行预处理调整操作，生成对应的变体模板以扩充模板库的样本多样性。

12、作为本发明的进一步改进，所述约束式缺陷生成单元包括随机点位生成模块、边界合法性校验模块、缺陷碰撞检测模块与占用掩码更新模块；所述随机点位生成模块用于按照预设的缺陷密度分布规则，在允许区域内随机生成缺陷的中心点位；所述边界合法性校验模块用于校验缺陷的完整边界是否均处于对应类别的允许区域内；所述缺陷碰撞检测模块用于校验当前缺陷与已生成缺陷的重叠占比，超出重叠占比预设阈值则重新生成；所述占用掩码更新模块用于在缺陷确认生成后，将该缺陷区域标记为已占用状态，限制该区域内重复生成缺陷。

13、作为本发明的进一步改进，所述边界合法性校验模块采用圆周采样校验机制：以缺陷中心点位为圆心、缺陷对应尺寸为半径，在圆周上采集若干边界校验点，当全部边界校验点均处于允许区域内时判定为边界合法。

14、作为本发明的进一步改进，所述约束式缺陷生成单元还包括系统性缺陷生成模块，所述系统性缺陷生成模块用于模拟工业生产中的工艺缺陷，包括整行/整列缺失类缺陷、区域性类缺陷、位置偏移类缺陷以及区域尺寸不均类缺陷。

15、作为本发明的进一步改进，所述图像融合单元采用泊松融合算法，通过求解泊松方程匹配背景图像与缺陷模板在融合区域的梯度场，实现缺陷边缘与背景的平滑过渡融合。

16、作为本发明的进一步改进，所述多任务标注生成单元生成的多任务标注数据集包含像素级语义分割标签、目标检测边界框标签、缺陷分类标签与结构化元数据标签；所述目标检测边界框标签兼容深度学习框架的标注格式。

17、作为本发明的进一步改进，本发明的系统还包括批量生成管控单元，所述批量生成管控单元用于配置样本生成数量、缺陷密度与缺陷类型比例参数，自动划分训练集、验证集与测试集，生成数据集索引文件，并支持生成任务的断点续传。

18、有益效果：

19、通过空间约束建模单元构建多层级空间约束掩码，在背景图像中明确划分缺陷生成的允许区域与禁止区域；约束式缺陷生成单元以该掩码为边界规则生成缺陷排布方案，使缺陷仅在合法区域内生成，从生成规则层面契合工业场景的空间分布逻辑，有效避免传统随机增强中缺陷位置无约束、样本失真的问题，杜绝错误空间特征进入模型训练环节，提升训练样本的工业场景适配性。

20、缺陷模板管理单元对工业缺陷模板及其关联属性信息进行统一存储与管理，形成标准化的模板数据源，既保障了生成缺陷的特征一致性与可追溯性，也为后续缺陷排布、图像融合、标注生成提供了统一的数据基础，提升整套系统的运行稳定性与数据调用效率。

21、多任务标注生成单元可依据缺陷排布方案与模板属性信息，同步生成与缺陷样本图像一一对应的多任务标注数据集，打破传统数据增强仅处理图像、无法同步更新标注的局限，省去增强后人工重新标注的工序，显著降低标注人力成本与时间成本，同时避免人工标注引入的误差，提升标注数据的准确性与一致性。

22、从空间规则定义、模板调用、合规缺陷排布到图像融合输出、标注生成形成完整自动化链路，可批量产出带标注的工业缺陷训练样本，缓解工业场景真实缺陷样本采集周期长、成本高、数量不足的痛点，能够在缺少真实缺陷样本的条件下为ai模型提供训练数据支撑，缩短工业视觉检测系统的部署周期。