一种工业导线异常检测方法和系统与流程
本发明涉及工业产品质量检测,尤其涉及一种工业导线异常检测方法和系统。
背景技术:
1、高端工业导线广泛应用于航空航天、精密仪器、高端装备制造等关键领域,其结构完整性和尺寸精度直接决定了终端产品的可靠性、安全性和使用寿命。在导线生产、加工及装配过程中,受设备精度、操作工艺、环境因素等影响,极易出现各类异常缺陷,其中压痕偏移、绝缘层过长、线芯偏移、接头鼓腰不平整是最为常见且影响严重的四类异常。此类异常若未及时检测并处理,会导致导线导电性能下降、机械强度不足,甚至引发短路、断路等重大安全事故,造成巨大的经济损失和安全隐患。
2、传统人工检测依赖检测人员的经验判断,存在检测效率低、主观性强、漏检率高、检测标准不统一等问题,难以适应大规模、高精度的生产检测需求。基于深度学习的常规异常检测方法则需要采集大量标注好的正常样本和异常样本进行模型训练或微调,不仅样本采集和标注成本高、周期长,且针对高端工业导线这类批量小、异常类型多样的场景,难以获取充足的样本,导致模型泛化能力差,无法有效适配少样本检测场景。此外,现有方法对导线的细微异常,如轻微压痕偏移、微小线芯偏移的识别精度不足,难以满足高端工业导线的高精度检测需求。同时,现有深度学习方法大多缺乏可解释性和明确的统计学依据,无法精准定位异常根源,检测结果难以获得质检人员的信任。
技术实现思路
1、鉴于上述的分析,本发明实施例旨在提供一种工业导线异常检测方法和系统,用以解决现有工业导线异常检测成本高,且异常识别精度不足的问题。
2、一方面,本发明实施例提供了一种工业导线异常检测方法,包括:
3、将工业导线的正常样本图像集输入至预训练特征提取网络,提取每张图像的图像块特征,得到样本特征集;
4、基于所述样本特征集,对自动编码器进行无监督训练,得到训练完成的自动编码器;
5、将待检测图像输入至所述预训练特征提取网络,提取所述待检测图像的图像块特征,得到原始待检测图像块特征;
6、将所述原始待检测图像块特征输入至所述训练完成的自动编码器,对所述原始待检测图像块特征进行重构,得到重构后的图像块特征;
7、根据所述原始待检测图像块特征和所述重构后的图像块特征之间的差异,分别计算所述待检测图像中各图像块对应的重构残差;
8、根据各图像块对应的重构残差生成待检测图像的异常评分,并根据所述异常评分判定所述待检测图像对应的工业导线是否异常。
9、进一步地,将待检测图像输入至所述预训练特征提取网络,提取所述待检测图像的图像块特征,得到原始待检测图像块特征,包括:
10、将待检测图像按照预设尺寸均匀划分为若干个图像块;
11、将每个所述图像块映射为一维特征向量,得到图像块嵌入特征;
12、将位置编码添加至所述图像块嵌入特征中,得到添加位置编码后的图像块嵌入特征;
13、将所述添加位置编码后的图像块嵌入特征输入至所述预训练特征提取网络的transformer编码器,提取图像块特征,得到每个图像块对应的原始特征向量;
14、基于待检测图像的所有图像块对应的原始特征向量得到原始待检测图像块特征。
15、进一步地,计算所述待检测图像中各图像块对应的重构残差包括:
16、将所述原始待检测图像块特征输入至所述训练完成的自动编码器中的编码器,通过所述编码器映射至低维子空间,得到待检测低维特征向量;
17、将所述待检测低维特征向量输入至所述训练完成的自动编码器中的解码器,通过所述解码器进行重构,得到所述重构后的图像块特征;
18、获取所述重构后的图像块特征中每个图像块的重构特征向量;
19、基于各图像块对应的所述原始特征向量与所述重构特征向量计算各图像块的重构残差。
20、进一步地,基于各图像块对应的所述原始特征向量与所述重构特征向量计算各图像块的重构残差包括:
21、对于每个图像块,将该图像块的所述原始特征向量中每一维度的特征值分别与所述重构特征向量中对应维度的特征值进行差值运算,得到该图像块对应的各维度差值;
22、对各维度差值分别进行非线性变换,得到各维度变换结果;
23、基于各维度的变换结果得到该图像块的重构残差。
24、进一步地,根据各图像块对应的重构残差生成待检测图像的异常评分包括:
25、将所述样本特征集输入所述训练完成的自动编码器得到重构特征集,基于重构特征集和样本特征集得到正常重构残差集;
26、根据所述正常重构残差集,确定检测阈值;
27、将所述待检测图像块特征对应的各个图像块的重构残差分别与所述检测阈值进行对比,并基于对比结果生成各图像块对应的子评分;
28、基于所有图像块对应的子评分得到所述待检测图像的异常评分。
29、进一步地,根据所述正常重构残差集,确定检测阈值包括:
30、对所述正常重构残差集进行统计分布分析,计算所述正常重构残差集的集中趋势量数和离散程度量数;
31、根据所述集中趋势量数和所述离散程度量数确定检测阈值。
32、进一步地,基于对比结果生成各图像块对应的子评分,包括:
33、当图像块的重构残差未超过检测阈值时,将该图像块的重构残差映射至第一区间内,得到该图像块的子评分,所述第一区间的范围为0-1;
34、当图像块的重构残差超过检测阈值时,根据该图像块的重构残差相对于所述检测阈值的超出幅度,将该图像块的重构残差映射至第二区间内,得到该图像块的子评分,所述第二区间的范围为1-10。
35、进一步地,基于所有图像块对应的子评分得到所述待检测图像的异常评分,包括:
36、将各图像块对应的子评分进行累加求和,得到所述待检测图像的异常评分;
37、若所述异常评分未超过评分阈值,则判定所述待检测图像对应的工业导线为正常;
38、若所述异常评分超过所述评分阈值,则判定所述待检测图像对应的工业导线为异常。
39、进一步地,所述预训练特征提取网络为dinov3网络。
40、另一方面,本发明实施例提供了一种工业导线异常检测系统,包括处理器和存储器,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如第一方面任一项所述的一种工业导线异常检测方法。
41、与现有技术相比,本发明至少可实现如下有益效果之一:
42、1、本发明按照预设尺寸将图像均匀划分为若干个图像块,将每个图像块映射为一维特征向量并添加位置编码后输入transformer编码器,从倒数第二层提取每个图像块对应的768维特征向量,舍弃分类标识符对应的特征向量,所提取的图像块级特征能够精准捕捉导线压痕、线芯边缘等细微结构差异;将待检测图像块特征输入训练完成的自动编码器进行重构,基于各图像块对应的原始特征向量与重构特征向量计算各图像块的重构残差,当图像块的重构残差未超过检测阈值时映射至0至1区间得到子评分,当超过检测阈值时根据超出幅度映射至1至10区间得到子评分,将各图像块子评分累加求和得到异常评分,检测阈值基于正常重构残差集的均值和标准差按照3σ原则设定,提高了工业导线的异常检测精度。
43、2、本发明通过将工业导线的正常样本图像集输入至预训练特征提取网络,提取每张图像的图像块特征,得到样本特征集,并基于样本特征集对自动编码器进行无监督训练,得到训练完成的自动编码器,预训练特征提取网络的参数保持冻结无需进行微调训练,仅需3至10张正常样本图像即可完成特征建模,无需获取异常样本和大量正常样本,避免了现有方法中大量样本采集、标注及模型训练的繁琐流程,大幅降低了样本成本、时间成本和计算资源成本,可快速适配不同规格、不同类型的高端工业导线检测需求。
44、本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com