【技術實現步驟摘要】
本專利技術涉及圖像異常檢測領域，特別是涉及一種高實時性的工業缺陷檢測方法、裝置、電子設備及計算機可讀存儲介質。
技術介紹
1、隨著人工智能發展與工業制造水平提高，對產品的質量要求也越來越高，因此工業缺陷檢測技術得到普及、應用。其中，傳統的工業缺陷檢測技術包括基于規則的專家系統、基于圖像處理的方法和機器學習等，雖然可以檢測大部分產品中常規的缺陷，但需要大量人工干預，如人工標注和調整參數的，同時對于比較罕見、不規則及突變的缺陷難以適用。此外，對于缺陷的人工標注，其需要大量的存在缺陷的產品作為缺陷樣本用于訓練模型，而制作缺陷樣本的成本高，且對于一些突變的缺陷依舊無法直接檢測識別。
2、為了以低成本解決缺陷樣本的稀缺問題及實現檢測突變缺陷的特征，現有技術通過異常檢測算法分析圖像數據中的異常像素區域，并根據正常樣本特征設置一均值閾值判斷該異常像素區域是否為缺陷內容。
3、然而，由于異常檢測算法需要經常對正常樣本特征庫進行擴展，因此現有的異常檢測算法將正常樣本特征庫存放于內存中，從而使異常檢測算法實現模塊化、可擴展性強及適應性強；具體為，通過在特征提取模型對待檢測圖像進行特征提取后，將結果與內存中的正常樣本特征庫進行距離、對比等計算，將計算結果通過一閾值劃分，以獲得劃分后的缺陷區域。
4、基于此，現有的異常檢測算法需要在內存中計算正常樣本特征庫與特征提取結果之間的距離，因此容易產生延遲，從而難以滿足當工業生產線流水線較快的情況的實時檢測需求，進而導致產品生產過程中無法及時發現和處理缺陷，最終影響產品質量和
技術實現思路
1、基于此，本專利技術的目的在于，提供一種高實時性的工業缺陷檢測方法。
2、一種高實時性的工業缺陷檢測方法，包括以下步驟：
3、s1：通過一寬殘差網絡對待檢測圖進行特征提取，獲得待檢測特征；
4、s2：通過重實現的k最鄰近算法對待檢測特征計算，獲得異常參數矩陣；
5、其中，所述重實現的k最鄰近算法的獲取方式為：
6、將一正常特征矩陣作為常量導入至一重實現的k最鄰近算法中，并將重實現的k最鄰近算法集成至所述寬殘差網絡中，將重實現的k最鄰近算法和所述寬殘差網絡一起轉換至onnx格式；
7、s3：將異常參數矩陣依次進行最小值篩選、雙線性插值，獲得調整異常參數矩陣，并通過一特征均值對調整異常參數矩陣進行篩選，獲得異常檢測結果。
8、本專利技術所述的高實時性的工業缺陷檢測方法，相較于現有技術，本專利技術通過將正常特征庫作為常量直接集成到k最鄰近算法中，使得特征比對過程可以直接在gpu上加速計算，并且避免了待檢測特征需要在不同硬件之間的傳輸的過程，以減低了因數據傳輸和加載所產生的延遲，最終推理速度達到了12ms左右，其幀率接近100fps(frames?persecond)。
9、進一步地，所述正常特征矩陣和所述特征均值通過以下步驟獲得：
10、t1：通過所述寬殘差網絡對一正常樣本訓練集的正常圖進行特征提取，獲得淺層正常特征圖和深層正常特征圖；
11、其中，所述正常樣本訓練集的正常圖為工業樣本中的正常樣本；
12、t2：對深層正常特征圖進行上采樣，并將上采樣后深層正常特征圖與淺層正常特征圖進行合并，獲得融合特征矩陣；
13、t3：判斷當前正常樣本訓練集的正常圖是否完成遍歷，若為是，則執行步驟t4a和步驟t4b；若為否，則執行步驟t1；
14、t4a：將所有融合特征矩陣進行合并，獲得合并特征矩陣；
15、t4b：將所有融合特征矩陣進行均值計算，獲得特征均值；
16、t5：通過稀疏隨機投影對合并特征矩陣進行處理，獲得稀疏隨機特征矩陣；
17、t6：計算合并特征矩陣與稀疏隨機特征矩陣的歐拉距離，獲得差異特征矩陣；
18、t7：將差異特征矩陣行最大值作為比例因子，并通過比例因子對合并特征矩陣進行篩選，獲得正常特征矩陣。
19、其中，通過稀疏隨機矩陣投影對合并特征矩陣處理，可以使合并特征矩陣保持數據原有結構的同時，顯著降低特征數據的維度，從而減少維度災難帶來的過擬合風險。同時，通過計算稀疏隨機特征矩陣與合并特征矩陣之間的歐拉距離，可以量化維度降低后的特征與原始特征的偏差，從而評估稀疏隨機投影的質量和影響，進而確保關鍵特征信息在降維過程中沒有丟失。
20、進一步地，所述步驟s2包括以下步驟：
21、s21a：將待檢測特征的列向量元素的平方和與一正常特征矩陣的列向量元素的平方和進行相加，獲得融合特征長度向量；
22、s21b：將待檢測特征與一正常特征矩陣的轉置矩陣進行乘積，獲得融合待檢測特征矩陣；
23、s22：通過融合特征長度向量與融合待檢測特征矩陣，計算出待檢測特征與正常特征矩陣的歐幾里得距離，獲得異常參數矩陣；
24、進一步地，所述步驟s3包括以下步驟：
25、s31：計算異常參數矩陣中的最小參數并整合，獲得最小異常參數矩陣；
26、s32：將最小異常參數矩陣進行雙線性插值計算，獲得調整異常參數矩陣；
27、s33：通過一特征均值對調整異常參數矩陣進行篩選，獲得異常檢測結果。
28、其中，由于異常參數矩陣的獲取是基于對特征的列向量元素進行平方和，據此，通過獲取異常參數矩陣在行方向上的最小參數，以進簡化和突出異常參數矩陣中的顯著異常點，從而使異常檢測時可以快速定位異常。
29、此外，通過雙線性插值可以大幅度保持異常參數的空間關系，同時確保了異常區域在待檢測圖中的精確標定，便于直接在待檢測圖像上標記出異常區域。
30、一種高實時性的工業缺陷檢測裝置，包括特征提取單元、相似度計算單元和缺陷區域計算單元；
31、所述特征提取單元通過一寬殘差網絡對待檢測圖進行特征提取，獲得待檢測特征；
32、所述相似度計算單元通過重實現的k最鄰近算法對待檢測特征計算，獲得異常參數矩陣；
33、其中，所述重實現的k最鄰近算法的獲取方式為：
34、將一正常特征矩陣作為常量導入至一重實現的k最鄰近算法中，并將重實現的k最鄰近算法集成至所述寬殘差網絡中，將重實現的k最鄰近算法和所述寬殘差網絡一起轉換至onnx格式；
35、所述缺陷區域計算單元用于將異常參數矩陣依次進行最小值篩選、雙線性插值，獲得調整異常參數矩陣，并通過一特征均值對調整異常參數矩陣進行篩選，獲得異常檢測結果。
36、進一步地，所述正常特征矩陣和所述特征均值通過以下步驟獲得：
37、t1：通過所述寬殘差網絡對一正常樣本訓練集的正常圖進行特征提取，獲得淺層正常特征圖和深層正常特征圖；
38、其中，所述正常樣本訓練集的正常圖為工業樣本中的正常樣本；
39、t2：對深層正常特征圖進行上采樣，并將上采樣后深層正常特征圖與淺層正本文檔來自技高網...
【技術保護點】
1.一種高實時性的工業缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的高實時性的工業缺陷檢測方法，其特征在于，所述正常特征矩陣和所述特征均值通過以下步驟獲得：
3.根據權利要求2所述的高實時性的工業缺陷檢測方法，其特征在于，所述步驟S2包括以下步驟：
4.根據權利要求3所述的高實時性的工業缺陷檢測方法，其特征在于，所述步驟S3包括以下步驟：
5.一種高實時性的工業缺陷檢測裝置，其特征在于，包括特征提取單元、相似度計算單元和缺陷區域計算單元；
6.根據權利要求5所述的高實時性工業缺陷檢測裝置，其特征在于，所述正常特征矩陣和所述特征均值通過以下步驟獲得：
7.根據權利要求6所述的高實時性的工業缺陷檢測裝置，其特征在于，所述相似度計算單元包括特征向量計算模塊、特征矩陣計算模塊和異常參數矩陣計算模塊；
8.根據權利要求7所述的高實時性的工業缺陷檢測裝置，其特征在于，所述缺陷區域計算單元包括最小異常矩陣獲取模塊、矩陣調整模塊和異常檢測模塊；
9.一種電子設備，包括：存儲器、處理
10.一種計算機可讀存儲介質，存儲有計算機可執行指令，其特征在于，所述計算機可執行指令用于權利要求1至4任一項所述的一種高實時性的工業缺陷檢測方法。
...【技術特征摘要】
1.一種高實時性的工業缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的高實時性的工業缺陷檢測方法，其特征在于，所述正常特征矩陣和所述特征均值通過以下步驟獲得：
3.根據權利要求2所述的高實時性的工業缺陷檢測方法，其特征在于，所述步驟s2包括以下步驟：
4.根據權利要求3所述的高實時性的工業缺陷檢測方法，其特征在于，所述步驟s3包括以下步驟：
5.一種高實時性的工業缺陷檢測裝置，其特征在于，包括特征提取單元、相似度計算單元和缺陷區域計算單元；
6.根據權利要求5所述的高實時性工業缺陷檢測裝置，其特征在于，所述正常特征矩陣和所述特征均值通過以下步驟獲得：
7.根據...
【專利技術屬性】
技術研發人員：張權，王剛，趙哲，沈寧文，
申請(專利權)人：廣州市易鴻智能裝備股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。