【技術實現步驟摘要】
本申請涉及缺陷檢測，尤其涉及基于異常檢測模型改進的主板缺陷檢測方法、裝置及設備。
技術介紹
1、當主板圖像的分辨率過大時，直接使用anomalib模型進行缺陷檢測，針對性不強，很難收斂到真正關心的區域，影響缺陷檢測的準確性，并且檢測花費時間較長，影響缺陷檢測的效率。
2、上述內容僅用于輔助理解本專利技術的技術方案，并不代表承認上述內容是現有技術。
技術實現思路
1、本申請的主要目的在于提供一種基于異常檢測模型改進的主板缺陷檢測方法、裝置及設備，旨在解決現有技術中傳統anomalib模型對大分辨率的主板圖像進行缺陷檢測時，準確性和效率較低的技術問題。
2、為實現上述目的，本申請提供了一種基于異常檢測模型改進的主板缺陷檢測方法，所述的方法包括：
3、獲取待檢測主板的原始圖像，并在所述待檢測主板的原始圖像中提取出待檢測關鍵區域；
4、基于改進的anomalib模型，對所述待檢測關鍵區域進行檢測，得到所述待檢測關鍵區域的異常概率分布數據，所述改進的anomalib模型包括預處理單元、替換了原始特征提取單元的bottleneck單元以及異常識別單元，所述預處理單元用于提取所述待檢測關鍵區域中的視覺特征，并將所述視覺特征輸入所述bottleneck單元，所述bottleneck單元用于基于所述視覺特征生成降維特征，并將所述降維特征輸入所述異常識別單元進行異常識別；
5、基于所述待檢測關鍵區域的異常概率分布數據，確定所述待檢測關鍵區域中
6、對所述待檢測關鍵區域以及所述待檢測關鍵區域中的缺陷位置分別進行標記，生成所述待檢測主板的結果熱力圖。
7、在一實施例中，所述改進的anomalib模型采用新的relu4激活函數替換原始的relu激活函數。
8、在一實施例中，所述獲取待檢測主板的原始圖像，并在所述待檢測主板的原始圖像中提取出待檢測關鍵區域的步驟包括：
9、獲取待檢測主板的原始圖像，基于所述待檢測主板上參考點在所述原始圖像中的坐標以及所述參考點在基準圖像中的坐標，確定轉換矩陣；
10、獲取目標區域在基準圖像中的坐標，基于所述轉換矩陣以及所述目標區域在基準圖像中的坐標，確定所述待檢測關鍵區域的坐標；
11、基于所述待檢測關鍵區域的坐標，在所述原始圖像中提取出所述待檢測關鍵區域。
12、在一實施例中，所述預處理單元至少包括特征提取器，所述異常識別單元至少包括normalizingflow層與fastflow層，所述基于改進的anomalib模型，對所述待檢測關鍵區域進行檢測，得到所述待檢測關鍵區域的異常概率分布數據的步驟包括：
13、將所述待檢測關鍵區域對應的向量數據輸入所述特征提取器進行特征提取，得到所述待檢測關鍵區域的視覺特征；
14、將所述視覺特征輸入所述bottleneck單元進行特征提取與降維處理，得到所述降維特征；
15、將所述降維特征輸入所述normalizingflow層進行分布歸一化，得到特征正態分布數據；
16、將所述特征正態分布數據輸入所述fastflow層進行異常識別，得到所述待檢測關鍵區域的異常概率分布數據。
17、在一實施例中，所述bottleneck單元包括依次連接的第一卷積層、第二卷積層、第三卷積層、池化層以及第四卷積層，所述第二卷積層采用預設標準卷積核，所述第一卷積層、所述第三卷積層以及所述第四卷積層均采用預設小尺寸卷積核，所述預設小尺寸卷積核小于所述預設標準卷積核，所述將所述視覺特征輸入所述bottleneck單元進行特征提取與降維，得到所述降維特征的步驟還包括：
18、將所述視覺特征輸入所述第一卷積層進行降維處理，得到降維視覺特征；
19、將所述降維視覺特征輸入所述第二卷積層進行特征提取，并將特征提取后的降維視覺特征輸入所述第三卷積層進行升維處理，得到升維視覺特征；
20、將所述升維視覺特征輸入所述池化層進行特征提取，并將特征提取后的升維視覺特征輸入所述第四卷積層進行降維處理，得到所述降維特征。
21、在一實施例中，所述將所述特征正態分布數據輸入所述fastflow層進行異常識別，得到所述待檢測關鍵區域的異常概率分布數據的步驟包括：
22、將所述特征正態分布數據輸入所述fastflow層，基于所述特征正態分布數據與基準特征正態分布數據之間的距離，確定所述待檢測關鍵區域中不同位置的異常分數；
23、基于所述待檢測關鍵區域中不同位置的異常分數，確定所述待檢測關鍵區域中不同位置的異常概率；
24、基于所述待檢測關鍵區域中不同位置的異常概率，確定所述待檢測關鍵區域的異常概率分布數據。
25、在一實施例中，所述的方法還包括：
26、獲取訓練圖像，基于訓練參考點在所述訓練圖像中的坐標以及所述訓練參考點在基準圖像中的坐標，確定訓練轉換矩陣；
27、基于所述訓練轉換矩陣以及目標區域的坐標，確定所述訓練圖像中訓練關鍵區域的坐標；
28、基于所述訓練關鍵區域的坐標，在所述訓練圖像中提取出所述訓練關鍵區域；
29、基于所述訓練關鍵區域，訓練得到所述改進的anomalib模型，并將所述改進的anomalib模型轉化后部署至移動端。
30、此外，為實現上述目的，本申請還提出一種基于異常檢測模型改進的主板缺陷檢測裝置，所述基于異常檢測模型改進的主板缺陷檢測裝置包括：
31、區域提取模塊，用于獲取待檢測主板的原始圖像，并在所述待檢測主板的原始圖像中提取出待檢測關鍵區域；
32、缺陷檢測模塊，用于基于改進的anomalib模型，對所述待檢測關鍵區域進行檢測，得到所述待檢測關鍵區域的異常概率分布數據，所述改進的anomalib模型包括預處理單元、替換了原始特征提取單元的bottleneck單元以及異常識別單元，所述預處理單元用于提取所述待檢測關鍵區域中的視覺特征，并將所述視覺特征輸入所述bottleneck單元，所述bottleneck單元用于基于所述視覺特征生成降維特征，并將所述降維特征輸入所述異常識別單元進行異常識別；
33、所述缺陷檢測模塊，還用于基于所述待檢測關鍵區域的異常概率分布數據，確定所述待檢測關鍵區域中的缺陷位置；
34、所述缺陷檢測模塊，還用于對所述待檢測關鍵區域以及所述待檢測關鍵區域中的缺陷位置分別進行標記，生成所述待檢測主板的結果熱力圖。
35、此外，為實現上述目的，本申請還提出一種基于異常檢測模型改進的主板缺陷檢測設備，所述基于異常檢測模型改進的主板缺陷檢測設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如上文所述的基于異常檢測模型改進的主板缺陷檢測方法的步驟。
36、此外，為實現上述目的，本專利技術還提出一種存儲介本文檔來自技高網...
【技術保護點】
1.一種基于異常檢測模型改進的主板缺陷檢測方法，其特征在于，所述的方法，包括：
2.如權利要求1所述的方法，其特征在于，所述改進的Anomalib模型采用新的Relu4激活函數替換原始的Relu激活函數。
3.如權利要求1所述的方法，其特征在于，所述獲取待檢測主板的原始圖像，并在所述待檢測主板的原始圖像中提取出待檢測關鍵區域的步驟包括：
4.如權利要求1所述的方法，其特征在于，所述預處理單元至少包括特征提取器，所述異常識別單元至少包括NormalizingFlow層與FastFlow層，所述基于改進的Anomalib模型，對所述待檢測關鍵區域進行檢測，得到所述待檢測關鍵區域的異常概率分布數據的步驟包括：
5.如權利要求4所述的方法，其特征在于，所述Bottleneck單元包括依次連接的第一卷積層、第二卷積層、第三卷積層、池化層以及第四卷積層，所述將所述視覺特征輸入所述Bottleneck單元進行特征提取與降維，得到所述降維特征的步驟還包括：
6.如權利要求5所述的方法，其特征在于，所述第二卷積層采用預設標準卷積核，所述第
7.如權利要求4所述的方法，其特征在于，所述將所述特征正態分布數據輸入所述FastFlow層進行異常識別，得到所述待檢測關鍵區域的異常概率分布數據的步驟包括：
8.如權利要求1至7中任一項所述的方法，其特征在于，所述的方法還包括：
9.一種基于異常檢測模型改進的主板缺陷檢測裝置，其特征在于，所述基于異常檢測模型改進的主板缺陷檢測裝置，包括：
10.一種基于異常檢測模型改進的主板缺陷檢測設備，其特征在于，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如權利要求1至8中任一項所述的基于異常檢測模型改進的主板缺陷檢測方法的步驟。
...【技術特征摘要】
1.一種基于異常檢測模型改進的主板缺陷檢測方法，其特征在于，所述的方法，包括：
2.如權利要求1所述的方法，其特征在于，所述改進的anomalib模型采用新的relu4激活函數替換原始的relu激活函數。
3.如權利要求1所述的方法，其特征在于，所述獲取待檢測主板的原始圖像，并在所述待檢測主板的原始圖像中提取出待檢測關鍵區域的步驟包括：
4.如權利要求1所述的方法，其特征在于，所述預處理單元至少包括特征提取器，所述異常識別單元至少包括normalizingflow層與fastflow層，所述基于改進的anomalib模型，對所述待檢測關鍵區域進行檢測，得到所述待檢測關鍵區域的異常概率分布數據的步驟包括：
5.如權利要求4所述的方法，其特征在于，所述bottleneck單元包括依次連接的第一卷積層、第二卷積層、第三卷積層、池化層以及第四卷積層，所述將所述視覺特征輸入所述bottleneck單元進行特征提取與降維，得...
【專利技術屬性】
技術研發人員：吳國峰，王雷，
申請(專利權)人：無錫宇寧智能科技有限公司，
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。