微针贴瑕疵检测模型构建方法及系统与流程

本发明涉及微针贴瑕疵检测，具体为一种微针贴瑕疵检测模型构建方法及系统。

背景技术：

1、随着医疗美容技术的快速发展，微针贴作为一种新型高效的微创给药载体，其在透皮递送领域的应用场景正迅速拓宽。微针贴表面的微米级针列阵能够无痛穿透角质层，其制造品质直接关系到药物释放效率。对微针贴制造过程中的瑕疵状态进行精准检测，是保障产品合规出厂的物理前提。然而，微针贴基质往往具有透明或半透明特性，且结构微小、阵列密集。在常规工业视觉检测环境中，这种复杂的物理结构极易引发光线的不规则折射与高强度反射，导致微小瑕疵特征具有高度隐蔽性，进而与正常纹理相互混淆，给后续视觉特征的准确提取带来极大困难。

2、现有的微针贴瑕疵视觉检测方法通常在质检环节部署高清相机与固定光源，通过采集微针贴表面的单一维度图像来评估成型状态。这些方法多依赖于将获取的原始图像直接馈入常规深度学习网络，提取全局视觉特征后转化为瑕疵类别数值。在检测逻辑上，现有技术普遍采用基于通用样本训练的单分支固定模型，通过判定提取到的像素特征是否越界来触发次品剔除。此类方案在处理数据时，往往将实体轮廓的形变、光学折射斑块及背景纹理视为彼此融合的整体参量，依赖对全局像素强度的直接拟合，缺乏针对光照不均与复杂背景噪声的自适应抑制机制。

3、在实际高通量制造环境中，微针贴实体缺损的真实断裂边缘与背景杂光形成的光学纹理之间存在复杂的干涉关系，导致特征严重同质化。然而，现有模型普遍缺乏对局部对比度极值的有效利用手段，也缺乏将几何突变特征与光学纹理特征深度解耦的专用机制。这使得网络难以剥离透明材质背景对真实针体断裂边缘的掩盖效应，容易产生特征提取的相互干扰。此外，常规损失函数面对多源耦合的微弱特征时存在梯度同质化倾向，无法强制网络独立提取正交维度的场景特征，极易造成微小断针漏检，导致难以在复杂光学扰动下精准界定瑕疵的空间定位边界。

4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种微针贴瑕疵检测模型构建方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种微针贴瑕疵检测模型构建方法，具体步骤包括：

4、步骤1：获取微针贴的原始图像矩阵及标注有瑕疵区域坐标与类别的真实瑕疵标签矩阵，提取原始图像矩阵的局部对比度矩阵，基于双曲正切函数与局部对比度矩阵平方项构建增强逻辑，对原始图像矩阵进行高光压制与实体轮廓突出，生成增强图像矩阵；

5、步骤2：构建双分支卷积网络，将增强图像矩阵输入该双分支卷积网络，控制该双分支卷积网络提取增强图像矩阵中指示实体缺损的断裂边缘场景特征，以生成边缘特征矩阵，控制该双分支卷积网络提取指示背景干扰的光学纹理场景特征，生成纹理特征矩阵；

6、步骤3：计算边缘特征矩阵与纹理特征矩阵间的空间重叠度及距离分布相似性，求取空间均值生成解耦损失值，模型训练时利用解耦损失值强制双分支卷积网络提取的场景对象特征相互独立；

7、步骤4：对边缘特征矩阵与纹理特征矩阵进行交叉融合，以边缘特征矩阵为幅度基底，将纹理特征矩阵转为相位偏置进行交叉调制计算，输出与真实瑕疵标签矩阵空间维度一致的缺陷融合特征矩阵；

8、步骤5：计算缺陷融合特征矩阵与真实瑕疵标签矩阵间的逐像素误差矩阵以获取分类损失，求取空间均值后，将分类损失与解耦损失值按预设权重叠加计算总损失值，反向传播完成瑕疵检测模型的构建，将待测微针贴图像输入该瑕疵检测模型，输出制造瑕疵类别及空间定位边界结果。

9、进一步地，获取原始图像矩阵、真实瑕疵标签矩阵以及提取局部对比度矩阵的具体步骤为：

10、对获取的微针贴初始图像进行灰度化与区间归一化处理，生成取值范围在0至1之间的原始图像矩阵；

11、提取微针贴人工标注数据中的瑕疵边界框坐标及瑕疵类别，在与原始图像矩阵空间维度一致的特征空间内进行像素级掩码映射，生成真实瑕疵标签矩阵；

12、设定预设尺寸的局部滑动窗口并遍历原始图像矩阵，计算各像素点与对应局部滑动窗口内邻域像素均值的绝对差值，以构建局部对比度矩阵。

13、进一步地，增强图像矩阵的具体生成步骤为：

14、获取原始图像矩阵中各个像素点的平方值以构建第一平方矩阵，获取局部对比度矩阵中各个像素点的平方值以构建第二平方矩阵，计算第一平方矩阵、第二平方矩阵与预设防越界极小常量三者逐元素相加之和的平方根，将第一平方矩阵与该平方根进行逐元素相除，计算得到幅度投影矩阵；

15、将局部对比度矩阵与预设防越界极小常量进行逐元素求和，并将原始图像矩阵与求和结果进行逐元素相除得到局部亮度商值矩阵，将局部亮度商值矩阵中的各元素作为双曲正切函数的输入参数进行非线性映射，计算得到非线性抑制矩阵；

16、将幅度投影矩阵与非线性抑制矩阵进行逐元素乘积运算，生成增强图像矩阵。

17、进一步地，双分支卷积网络包括并行设置的第一分支网络与第二分支网络；

18、边缘特征矩阵的具体生成步骤为：

19、在第一分支网络中配置第一卷积核权重矩阵与第一偏置项向量，将增强图像矩阵与第一卷积核权重矩阵进行空间滑窗卷积运算并叠加第一偏置项向量，得到第一中间响应矩阵，利用非线性激活函数对第一中间响应矩阵进行映射，截断负向响应噪声，提取表征高频几何突变的断裂边缘场景特征，生成边缘特征矩阵；

20、纹理特征矩阵的具体生成步骤为：

21、在第二分支网络中配置独立于第一分支网络的第二卷积核权重矩阵与第二偏置项向量，将增强图像矩阵与第二卷积核权重矩阵进行空间滑窗卷积运算并叠加第二偏置项向量，得到第二中间响应矩阵，利用非线性激活函数对第二中间响应矩阵进行映射，提取表征光线折射及背景光斑的光学纹理场景特征，生成纹理特征矩阵。

22、进一步地，解耦损失值的具体生成步骤为：

23、将边缘特征矩阵与纹理特征矩阵进行逐元素乘积运算并提取绝对值，得到耦合绝对值矩阵，将耦合绝对值矩阵与数值一进行逐元素求和得到重叠度变量矩阵，对重叠度变量矩阵中的各元素提取自然对数，计算得到表征特征局部耦合强度的空间重叠度矩阵；

24、分别获取边缘特征矩阵的绝对值矩阵与纹理特征矩阵的绝对值矩阵，并计算边缘特征矩阵与纹理特征矩阵的逐元素差值并提取绝对值，得到特征差异矩阵；

25、将边缘特征矩阵的绝对值矩阵、纹理特征矩阵的绝对值矩阵与预设防越界极小常量三者进行逐元素相加，得到特征归一化分母矩阵，将特征差异矩阵与特征归一化分母矩阵进行逐元素相除得到商值矩阵，提取商值矩阵中各元素的相反数以构建相反数矩阵，并将相反数矩阵作为自然指数函数的输入参数进行映射，计算得到表征特征数值分布近似程度的距离分布相似性矩阵；

26、将空间重叠度矩阵与距离分布相似性矩阵进行逐元素乘积运算，生成中间惩罚矩阵，沿空间维度计算中间惩罚矩阵中所有元素的算术平均值以进行特征降维，生成解耦损失值。

27、进一步地，缺陷融合特征矩阵的具体输出步骤为：

28、分别计算边缘特征矩阵与纹理特征矩阵的逐元素平方，得到边缘特征平方矩阵与纹理特征平方矩阵；

29、将边缘特征平方矩阵、纹理特征平方矩阵与预设防越界极小常量三者进行逐元素相加并提取平方根，得到基底分母矩阵，将边缘特征平方矩阵与基底分母矩阵进行逐元素相除，计算得到幅度基底；

30、提取纹理特征矩阵的绝对值得到绝对值纹理矩阵，将绝对值纹理矩阵与数值一进行逐元素求和，得到偏置分母矩阵，将边缘特征矩阵与偏置分母矩阵进行逐元素相除得到偏置商值矩阵；

31、将偏置商值矩阵中的各元素作为正弦函数的输入参数进行非线性映射，计算得到相位偏置，将幅度基底与相位偏置进行逐元素乘积运算，完成交叉调制计算，生成缺陷融合特征矩阵。

32、进一步地，总损失值的具体计算步骤为：

33、计算缺陷融合特征矩阵与真实瑕疵标签矩阵的逐元素差值，得到逐像素误差矩阵，获取逐像素误差矩阵中各个元素的平方值以构建误差平方矩阵；

34、将逐像素误差矩阵中的各元素作为双曲余弦函数的输入参数进行非线性映射，计算得到余弦惩罚矩阵，将误差平方矩阵与余弦惩罚矩阵进行逐元素乘积运算，生成空间分类损失矩阵；

35、沿空间维度计算空间分类损失矩阵中所有元素的算术平均值以进行降维，计算得到标量的分类损失；

36、计算解耦损失值的平方以得到解耦平方项，将解耦平方项与预设权重进行乘积运算，得到加权解耦惩罚值，将分类损失与加权解耦惩罚值进行算术相加，计算得到总损失值。

37、进一步地，反向传播完成瑕疵检测模型构建，具体步骤包括：

38、获取双分支卷积网络中第一分支网络的第一卷积核权重矩阵与第一偏置项向量，以及第二分支网络的第二卷积核权重矩阵与第二偏置项向量，作为待更新模型参数；

39、基于链式求导法则，计算总损失值关于各待更新模型参数的偏导数，获取与各待更新模型参数维度一致的参数梯度矩阵；

40、引入预设的学习率超参数，结合参数梯度矩阵，利用自适应梯度下降优化算法对待更新模型参数进行反向迭代更新；

41、以增强图像矩阵作为模型训练的输入参数，以真实瑕疵标签矩阵作为模型训练的监督标签，以对应生成的缺陷融合特征矩阵作为网络前向预测的输出参数，重复执行前向特征提取计算与反向迭代更新步骤；

42、当总损失值下降并收敛至预设的阈值范围内，或迭代更新次数达到预设的最大迭代周期时，停止更新并保存当前的第一卷积核权重矩阵、第一偏置项向量、第二卷积核权重矩阵与第二偏置项向量，将其作为双分支卷积网络的固化网络参数，完成瑕疵检测模型构建。

43、本发明另外还提供一种微针贴瑕疵检测模型构建系统，所述一种微针贴瑕疵检测模型构建系统用于实现上述的一种微针贴瑕疵检测模型构建方法，包括：

44、对比度增强模块，用于获取微针贴的原始图像矩阵及标注有瑕疵区域坐标与类别的真实瑕疵标签矩阵，提取原始图像矩阵的局部对比度矩阵，基于双曲正切函数与局部对比度矩阵平方项构建增强逻辑，对原始图像矩阵进行高光压制与实体轮廓突出，生成增强图像矩阵；

45、双分支提取模块，用于构建双分支卷积网络，将增强图像矩阵输入该双分支卷积网络，控制该双分支卷积网络提取增强图像矩阵中指示实体缺损的断裂边缘场景特征，以生成边缘特征矩阵，控制该双分支卷积网络提取指示背景干扰的光学纹理场景特征，生成纹理特征矩阵；

46、解耦损失模块，用于计算边缘特征矩阵与纹理特征矩阵间的空间重叠度及距离分布相似性，求取空间均值生成解耦损失值，模型训练时利用解耦损失值强制双分支卷积网络提取的场景对象特征相互独立；

47、交叉调制模块，用于对边缘特征矩阵与纹理特征矩阵进行交叉融合，以边缘特征矩阵为幅度基底，将纹理特征矩阵转为相位偏置进行交叉调制计算，输出与真实瑕疵标签矩阵空间维度一致的缺陷融合特征矩阵；

48、模型构建模块，用于计算缺陷融合特征矩阵与真实瑕疵标签矩阵间的逐像素误差矩阵以获取分类损失，求取空间均值后，将分类损失与解耦损失值按预设权重叠加计算总损失值，反向传播完成瑕疵检测模型的构建，将待测微针贴图像输入该瑕疵检测模型，输出制造瑕疵类别及空间定位边界结果。

49、与现有技术相比，本发明的有益效果是：

50、本发明根据原始图像矩阵的局部对比度矩阵，并结合双曲正切函数与局部对比度矩阵平方项构建增强逻辑，生成增强图像矩阵；随后，通过双分支卷积网络分别提取断裂边缘场景特征与光学纹理场景特征，生成对应的边缘特征矩阵与纹理特征矩阵，并计算两者的空间重叠度及距离分布相似性以获得解耦损失值。本发明克服了传统单一全局特征提取易受透明材质高反光与不规则折射干扰的技术瓶颈，成功剥离了背景杂光对微针实体几何突变轮廓的掩盖效应，提升了模型在复杂光学扰动环境下捕获微小瑕疵的精度与抗干扰能力；

51、本发明还通过对边缘特征矩阵与纹理特征矩阵执行交叉调制运算，以边缘特征矩阵为幅度基底，将纹理特征矩阵转为相位偏置，输出缺陷融合特征矩阵。该计算过程实现了多维正交特征在空间上的结构化调制融合，摒弃了机械的特征通道拼接，解决了透明材质下极微弱缺陷易引发梯度同质化与特征相互反噬的问题。最后，将分类损失与解耦损失值按预设权重叠加计算总损失值并进行反向传播，能够有效约束网络自适应聚焦真实瑕疵区域，避免了不必要的背景纹理误报。