基于原型向量相关性的工业缺陷类别数量估计方法和装置

本发明涉及计算机视觉，特别是涉及一种基于原型向量相关性的工业缺陷类别数量估计方法和装置。

背景技术：

1、在智能制造领域，对产线生产产品的过程中可能存在的各类缺陷进行精确识别与分类，是实现质量闭环管控与产线优化的关键技术环节。识别生产过程中缺陷的核心目标在于：根据缺陷的形态、位置和成因等特征将其归为不同类别，由此能够在后续步骤中对同一类缺陷产品进行批量处理与定向修复；更重要的是，能够为生产流程的缺陷溯源与工艺改良提供关键依据，从而系统性提升产品良率与生产效能。

2、当前，随着人工智能技术的普及，基于计算机视觉的自动缺陷分类方案已成为主流。然而，现有技术的工业缺陷分类方案需要预先知道缺陷的具体类别数量，才能设计分类器的输出维度或定义聚类簇的数量。但实际应用场景中，即使依靠工艺专家，也往往难以精确预判产线上可能出现的所有的缺陷形态及其确切种类数量。因此，缺陷类别数量的未知性已成为制约现有无监督缺陷分类方法在实际产线中落地应用的一个关键瓶颈。

3、鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。

技术实现思路

1、本发明要解决的技术问题是现有技术由于无法预先确定产线上可能出现的所有的缺陷的类别数量，导致缺陷识别的准确率和可用性低的问题。

2、第一方面，提供了一种基于原型向量相关性的工业缺陷类别数量估计方法，包括：

3、准备一个预训练的特征提取网络，用于提取无标签图像集合和有标签图像集合中所有图像的特征；

4、使用缺陷分类器分别处理所提取的特征，在训练轮之后提取缺陷分类器中的权重矩阵作为原型向量矩阵，得到有标签原型向量矩阵和无标签原型向量矩阵；

5、根据所述有标签原型向量矩阵中原型向量间的相关性得到相关性阈值；

6、使用所述相关性阈值对所述无标签原型向量矩阵进行循环去重，以得到已选向量集合；将已选向量集合中原型向量的数量确定为所述无标签图像集合的缺陷类别数量估计值。

7、进一步地，在所述使用缺陷分类器分别处理所提取的特征，在训练轮之后提取缺陷分类器中的权重矩阵作为原型向量矩阵，得到有标签原型向量矩阵和无标签原型向量矩阵之前，还包括：

8、预定义最大类别数量作为无标签图像集合的缺陷类别数量的初始值；采用有标签图像集合的缺陷类别数量和最大类别数量分别对相应的缺陷分类器中有标签部分和无标签部分的输出维度进行初始化，分别得到有标签部分的权重矩阵和无标签部分的权重矩阵，其中，为特征维度。

9、进一步地，所述根据所述有标签原型向量矩阵中原型向量间的相关性得到相关性阈值包括：

10、计算所述有标签原型向量矩阵中原型向量之间的相关性矩阵；

11、对所述相关性矩阵中的所有元素进行平均，得到相关性阈值。

12、进一步地，所述方法还包括：

13、将所述无标签图像集合中的所有图像的特征聚类为最大类别数量个聚类簇，对每个所述聚类簇中的特征进行平均得到所述聚类簇的中心特征，拼接所有的聚类簇的中心特征得到无标签原型向量矩阵；其中，为特征维度；

14、将所述有标签图像集合中的所有图像的特征聚类为缺陷类别数量个聚类簇，对每个所述聚类簇中的特征进行平均得到所述聚类簇的中心特征，拼接所有的聚类簇的中心特征得到有标签原型向量矩阵。

15、进一步地，所述使用所述相关性阈值对所述无标签原型向量矩阵进行循环去重，以得到已选向量集合包括：

16、保留所述无标签原型向量矩阵中原型向量间相关性低于所述相关性阈值的原型向量，剔除所述无标签原型向量矩阵中原型向量间相关性高于或等于所述相关性阈值的原型向量，直至满足停止条件，得到已选向量集合。

17、进一步地，所述方法还包括：

18、在第一轮迭代中，从所述无标签原型向量矩阵中随机选择一个原型向量作为初始种子，将所述初始种子加入到已选向量集合中，剩余未被选择的原型向量加入到原型向量集合，计算原型向量集合中每个原型向量与所述初始种子的最大相关性；

19、获取最大相关性最小的原型向量，如果该原型向量的最大相关性小于相关性阈值，则将最大相关性最小的原型向量加入到已选向量集合中，并将其从原型向量集合中去除；

20、从第二轮迭代开始，计算原型向量集合中每个原型向量与已选向量集合中每个原型向量的最大相关性，以逐步更新已选向量集合，直到最大相关性均大于等于相关性阈值或原型向量集合中元素为空则停止迭代。

21、进一步地，所述最大相关性的表达式为：

22、；

23、其中，表示原型向量集合中的原型向量，表示已选向量集合。

24、进一步地，在所述将已选向量集合中原型向量的数量确定为所述无标签图像集合的缺陷类别数量估计值之后，所述方法还包括：

25、将缺陷分类器的权重矩阵中不包含在已选向量集合中的原型向量进行剪枝去除，得到缺陷分类器的权重矩阵，使用所述权重矩阵继续后续的训练过程；

26、其中，表示最大类别数量，表示有标签图像集合的缺陷类别数量，表示缺陷类别数量估计值，为特征维度。

27、第二方面，提供了一种基于原型向量相关性的工业缺陷类别数量估计装置，所述基于原型向量相关性的工业缺陷类别数量估计装置包括：处理器和用于存储处理器可执行指令的存储器；

28、其中，所述处理器被配置为执行所述的基于原型向量相关性的工业缺陷类别数量估计方法。

29、第三方面，提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，用于完成第一方面所述的基于原型向量相关性的工业缺陷类别数量估计方法。

30、第四方面，提供了一种包含指令的计算机程序产品，当该指令在计算机或处理器上运行时，使得计算机或处理器执行如第一方面所述的基于原型向量相关性的工业缺陷类别数量估计方法。

31、与现有技术相比，本发明的有益效果在于：

32、本发明通过引入已知类别数的有标签图像集合作为外部参照，利用其类别原型向量之间的相关性为无标签图像集合设定相关性阈值，将相关性阈值的计算与无标签图像集合解耦，避免了对无标签图像集合中数据分布的依赖，进而能够利用相关性阈值对无标签原型向量矩阵进行循环去重，仅对无标签原型向量矩阵进行操作，与无标签图像集合中图像的总量无关，从而在不依赖预先确定实际缺陷类别数量的前提下，实现精准估计无标签图像集合的缺陷类别数量，从而提高自动化缺陷识别的准确率和可用性。

1.一种基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，包括：

2.根据权利要求1所述的基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，在所述使用缺陷分类器分别处理所提取的特征，在训练轮之后提取缺陷分类器中的权重矩阵作为原型向量矩阵，得到有标签原型向量矩阵和无标签原型向量矩阵之前，还包括：

3.根据权利要求2所述的基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，所述根据所述有标签原型向量矩阵中原型向量间的相关性得到相关性阈值包括：

4.根据权利要求1所述的基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，所述使用所述相关性阈值对所述无标签原型向量矩阵进行循环去重，以得到已选向量集合包括：

6.根据权利要求5所述的基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，所述方法还包括：

7.根据权利要求6所述的基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，所述最大相关性的表达式为：

8.根据权利要求6所述的基于原型向量相关性的工业缺陷类别数量估计方法，其特征在于，在所述将已选向量集合中原型向量的数量确定为所述无标签图像集合的缺陷类别数量估计值之后，所述方法还包括：

9.一种基于原型向量相关性的工业缺陷类别数量估计装置，其特征在于，所述基于原型向量相关性的工业缺陷类别数量估计装置包括：处理器和用于存储处理器可执行指令的存储器；

10.一种非易失性计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，用于完成权利要求1至8任一项所述的基于原型向量相关性的工业缺陷类别数量估计方法。