产品质检的人工智能识别方法及系统

本技术涉及智能识别，特别是本技术涉及一种产品质检的人工智能识别方法及系统。

背景技术：

1、在工业制造领域，产品表面质量检测是保障出厂合格率的关键环节，传统的人工目视检测方法效率低下、标准不一且成本高昂，因此基于机器视觉与人工智能的自动光学检测技术已成为行业主流发展方向。

2、目前，智能质检方法主要可分为两大类，即基于监督学习的缺陷分类与检测方法、以及无监督或弱监督的异常检测方法；然而，现有技术仍存在明显局限，例如，仅依赖深层语义特征的方法可能对细微的物理划痕不敏感，而仅依赖低级像素信号的方法则容易受到光照不均、背景纹理等非相关变化的干扰，产生大量误报，且当尝试融合像素级和特征级信息以提升鲁棒性时，现有的融合策略往往较为粗放，例如简单的加权平均或逻辑与/或操作，这类策略缺乏对两种异构证据本身可信度及它们之间一致性的量化评估，无法根据具体的检测场景，如缺陷类型、图像信噪比进行自适应调整；因此，如何基于像素级精确感知与特征级语义理解对待检测产品进行缺陷识别成为了业界面临的难题。

技术实现思路

1、基于此，本技术提供一种基于像素级精确感知与特征级语义理解对待检测产品进行缺陷识别的产品质检的人工智能识别方法及系统。

2、第一方面，本技术提供一种产品质检的人工智能识别方法，包括如下步骤：

3、获取待检产品的表面图像；

4、提取所述表面图像的多尺度深度特征，并将所述多尺度深度特征与预设的标准深度特征进行比对，生成表征语义级异常可能性的特征异常置信图；

5、对所述表面图像进行多通道的低级图像信号分析，得到信号残差图，并对所述信号残差图进行后处理，生成表征物理信号级异常可能性的像素级异常指示图；

6、确定所述特征异常置信图与所述像素级异常指示图中各个候选异常区域的异常互相关值；

7、对于每个异常候选区域，若异常互相关值高于预设的第一阈值，则依据所述特征异常置信图对对应的异常候选区域进行缺陷判定，若异常互相关值低于所述第一阈值，但对应的候选异常区域在所述特征异常置信图和所述像素级异常指示图中有任一对应的异常分数高于第二阈值，则依据对应候选异常区域的局部上下文信息进行综合缺陷判定；

8、基于所有候选异常区域的缺陷判定结果生成最终的缺陷分割图。

9、在一些实施例中，提取所述表面图像的多尺度深度特征具体包括：

10、加载预训练的多尺度特征提取网络；

11、将所述表面图像输入所述多尺度特征提取网络进行前向传播；

12、从所述多尺度特征提取网络的不同指定中间层输出中，提取对应不同抽象层次与空间尺度的特征图，得到多尺度深度特征。

13、在一些实施例中，将所述多尺度深度特征与预设的标准深度特征进行比对，生成表征语义级异常可能性的特征异常置信图具体包括：

14、获取与所述多尺度深度特征相对应的标准深度特征；

15、确定所述多尺度深度特征中不同特征图与对应标准深度特征之间的特征距离；

16、将所有特征距离上采样至所述表面图像的原始空间尺寸并进行融合；

17、将融合后的距离图归一化至预设的数值区间，生成表征语义级异常可能性的特征异常置信图。

18、在一些实施例中，对所述表面图像进行多通道的低级图像信号分析，得到信号残差图具体包括：

19、选择多个与表面缺陷物理表现相关的低级图像分析通道；

20、确定所述表面图像在每一低级图像分析通道下的特征响应图；

21、将各个特征响应图与基于正常样本预先建立的对应基准响应图进行比对，生成各个低级图像分析通道的初步残差图；

22、融合所有的初步残差图，得到信号残差图。

23、在一些实施例中，对所述信号残差图进行后处理，生成表征物理信号级异常可能性的像素级异常指示图具体包括：

24、对所述信号残差图进行自适应阈值分割，得到初始的二值化异常区域；

25、对所述初始的二值化异常区域进行形态学开运算，以滤除孤立的噪声点；

26、对经所述形态学开运算处理后的异常区域进行形态学闭运算，以连接相邻的细碎异常区域，形成连通的候选异常斑块；

27、基于连通的候选异常斑块，生成表征物理信号级异常可能性的像素级异常指示图。

28、在一些实施例中，确定所述特征异常置信图与所述像素级异常指示图中各个候选异常区域的异常互相关值具体包括：

29、基于所述像素级异常指示图，识别并定位连通的候选异常斑块，以确定多个候选异常区域的空间范围；

30、从所述特征异常置信图和所述像素级异常指示图中分别提取每一候选异常区域所对应区域的像素值矩阵；

31、确定每一候选异常区域所对应的两个像素值矩阵之间的归一化互相关系数，进而将归一化互相关系数作为对应候选异常区域的异常互相关值。

32、在一些实施例中，基于所有候选异常区域的缺陷判定结果生成最终的缺陷分割图具体包括：

33、读取全局的缺陷判定结果列表；

34、初始化一个与所述表面图像尺寸相同的空白图像作为基础分割图；

35、遍历所述缺陷判定结果列表，根据所述缺陷判定结果列表中每条记录的判定结果和区域位置信息，在所述基础分割图上绘制对应的缺陷区域；

36、对绘制完成的基础分割图进行后处理优化，生成并输出最终的缺陷分割图。

37、第二方面，本技术提供一种产品质检的人工智能识别系统，包括：

38、获取模块，用于获取待检产品的表面图像；

39、处理模块，用于提取所述表面图像的多尺度深度特征，并将所述多尺度深度特征与预设的标准深度特征进行比对，生成表征语义级异常可能性的特征异常置信图；

40、所述处理模块，还用于对所述表面图像进行多通道的低级图像信号分析，得到信号残差图，并对所述信号残差图进行后处理，生成表征物理信号级异常可能性的像素级异常指示图；

41、所述处理模块，还用于确定所述特征异常置信图与所述像素级异常指示图中各个候选异常区域的异常互相关值；

42、所述处理模块，还用于对于每个异常候选区域，若异常互相关值高于预设的第一阈值，则依据所述特征异常置信图对对应的异常候选区域进行缺陷判定，若异常互相关值低于所述第一阈值，但对应的候选异常区域在所述特征异常置信图和所述像素级异常指示图中有任一对应的异常分数高于第二阈值，则依据对应候选异常区域的局部上下文信息进行综合缺陷判定；

43、执行模块，用于基于所有候选异常区域的缺陷判定结果生成最终的缺陷分割图。

44、第三方面，本技术提供一种计算机设备，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产品质检的人工智能识别方法的步骤。

45、第四方面，本技术提供一种计算机可读存储介质，所存储有计算机程序，所述计算机程序被处理器执行时实现上述的产品质检的人工智能识别方法的步骤。

46、本技术公开的实施例提供的技术方案具有以下有益效果：

47、本技术提供的产品质检的人工智能识别方法及系统中，首先，获取待检产品的表面图像，提取所述表面图像的多尺度深度特征，并将所述多尺度深度特征与预设的标准深度特征进行比对，生成表征语义级异常可能性的特征异常置信图，该步骤可对待检图像的无监督深度语义分析，通过与正常特征原型比对，量化其在特征空间上的语义偏离，从而提高了对复杂、与上下文不符的语义级异常，如结构畸变、错误部件的感知与发现能力；其次，对所述表面图像进行多通道的低级图像信号分析，得到信号残差图，并对所述信号残差图进行后处理，生成表征物理信号级异常可能性的像素级异常指示图，该步骤可对待检图像多维度物理信号，如梯度、纹理、对比度的鲁棒分析与精确定位，有效抑制光照、噪声等非相关干扰，从而提高了对划痕、污渍、凹坑等物理缺陷的检出率与定位精度；随后，确定所述特征异常置信图与所述像素级异常指示图中各个候选异常区域的异常互相关值，该步骤可对每个可疑区域内语义异常线索与物理异常信号空间分布一致性的客观量化，为双重验证提供可计算的协同度指标，从而提高了后续融合决策环节的依据可靠性与自动化水平；然后，对于每个异常候选区域，若异常互相关值高于预设的第一阈值，则依据所述特征异常置信图对对应的异常候选区域进行缺陷判定，若异常互相关值低于所述第一阈值，但对应的候选异常区域在所述特征异常置信图和所述像素级异常指示图中有任一对应的异常分数高于第二阈值，则依据对应候选异常区域的局部上下文信息进行综合缺陷判定，该步骤可基于证据一致性高低的差异化智能决策，即证据一致时快速采纳高置信结果，证据矛盾但单边强烈时启动上下文仲裁，从而提高了在处理明确缺陷与边缘疑难案例时的综合准确性与稳健性；最后，基于所有候选异常区域的缺陷判定结果生成最终的缺陷分割图，该步骤可将所有分散的判定结果整合、优化并转化为一张标准化的缺陷位置标注图，直观呈现所有被确认缺陷的精确形状与位置，从而提高了检测结果的可视化程度及与后续自动化分拣、统计环节的衔接效率；综上所述，本技术的方案可基于像素级精确感知与特征级语义理解对待检测产品进行缺陷识别。