【技術實現步驟摘要】
本專利技術涉及異常檢測，尤其涉及一種集合多類產品的缺陷異常檢測方法。
技術介紹
1、工業自動化中，產品的質量檢測是一道重要工序。自動化制造的產品質量參差不齊，產生的缺陷也是多種多樣，同一種缺陷包含不同的形式，并且在生產過程中，當上游工藝或設備發生變動時，還可能出現新的缺陷，這就導致了缺陷產品漏檢率高的問題。在工業場景中，缺陷數據相對于正常數據非常少，缺陷數據通常呈現嚴重的長尾分布，甚至在某些情況下，沒有缺陷樣本。這一現實的缺點使得在實踐中很難對大量缺陷數據進行收集和標注，以便進行監督學習。因此，只需正常樣本進行訓練的無監督異常檢測方法是解決該難題的有效手段。
2、在鋰電領域中，自動化通常需要搭配鋰電視覺搭載平臺。鋰電視覺搭載平臺為缺陷檢測提供了豐富的檢測手段，包括目標檢測，缺陷分類，語義分割等。雖然少數的鋰電視覺搭載平臺已經支持無監督異常檢測，但僅限于一對一，即一個完整的異常檢測流程僅適用于一種產品型號，當產線切拉換型時，檢測流程也必須跟隨切換，這導致自動化效率的降低和人力成本的提升。因此，集合多類產品的缺陷異常檢測方法至關重要。
3、目前，異常檢測方法包含有：auto-encoder、generative?adversarial?network(gan)、patchcore、normalizing?flow等方法。其中，normalizing?flow模型把擬合真實數據的分布問題變成擬合變換后的概率的對數密度問題，對數密度的方式計算更加穩定。通過一個可訓練的過程，最大化正常樣本圖像特征的對數似然，將正常
技術實現思路
1、有鑒于此，本專利技術的目的在于提出一種集合多類產品的缺陷異常檢測方法，能夠節約質檢成本，不同產品或產品不同部件的質檢使用一臺質檢機即可，并且當更換產線的產品或者質檢目標時，不用人工去更換模型。
2、根據本專利技術的一個方面，提供一種集合多類產品的缺陷異常檢測方法，所述方法包括：
3、獲取需要檢測的產品圖像數據，基于該圖像數據進行分類；
4、基于分類結果調用對應該分類結果的、預訓練的fastflow異常檢測模型；將該圖像數據作為fastflow異常檢測模型的輸入，fastflow異常檢測模型基于輸入的圖像數據，輸出對應該圖像數據的異常分數；
5、基于該異常分數與預設閾值比較，判斷產品是否異常；
6、其中，該fastflow異常檢測模型包括：特征提取器、cross-scale?convolution模塊、flow模塊、融合模塊；
7、特征提取器，其被配置為：從產品圖像數據中提取若干分辨率特征圖；
8、cross-scale?convolution模塊，其被配置為：在通道維度上相互疊加若干分辨率特征圖，輸出若干融合特征圖；
9、flow模塊，其被配置為：基于若干分辨率特征圖以及若干融合特征圖，通過flow操作，針對每個特征圖進行二次特征提取，輸出若干深層次特征圖；
10、融合模塊，其被配置為：將若干深層次特征圖進行融合，輸出單通道特征圖；將該單通道特征圖像素點的像素值作為異常分數指標。
11、在上述技術方案中，傳統fastflow是normalizing?flow模型的一種，它使用全卷積網絡作為子網，能夠保持空間的相對位置，解決了原始的normalizing?flow模型將二維輸入特征扁平化為一維向量來估計分布而破壞了二維圖像固有的空間位置關系的問題。但fastflow在利用不同分辨率特征時，只是對每種分辨率的特征單獨求取對數似然，未能利用不同分辨率的融合信息來豐富圖像特征的對數似然。本案針對fastflow進行改進，并利用一個分類模型將多類產品的異常檢測模型進行集成，提供了一種集合多類產品的缺陷異常檢測方法。具體而言，以fastflow模型作為基礎，引入cs-flow的cross-scaleconvolution?module進行改進，并將其中相加更改為通道疊加，從而融合不同分辨率的特征信息，再與原特征一起輸入到?flow?中獲取更加豐富的圖像特征的對數似然。本案在異常檢測模型中加入cross-scale?convolution?module，利用不同分辨率的融合信息來豐富對異常的獲取。并且利用一個分類模型將多類產品的異常檢測模型進行集成，能夠自動化調用對應模型進行異常檢測，該方式能夠節約質檢成本，不同產品或產品不同部件的質檢使用一臺質檢機即可，并且當更換產線的產品或者質檢目標時，不用人工去更換模型。
12、在一些實施例中，基于該圖像數據進行分類，包括：
13、將圖像數據的標簽與預構建的標簽列表匹配，根據匹配結果對圖像數據進行分類。
14、在上述技術方案中，本案可以定義一個產品名稱變量，初始化為空值。并定義一個產品名稱列表，包含了所有訓練過異常檢測模型的產品名稱。在輸入圖片時，對該產品名稱變量賦予了產品名稱，且該名稱屬于產品名稱列表中的名稱，則直接調用對應名稱的異常檢測模型進行異常檢測。
15、在一些實施例中，基于該圖像數據進行分類，還包括：
16、將圖像數據的標簽與預構建的標簽列表匹配，根據匹配結果對圖像數據進行分類；
17、若匹配不成功，則將圖像數據輸入一預訓練的圖像分類模型，輸出對應該圖像數據的標簽；
18、基于該標簽對圖像數據進行分類。
19、在上述技術方案中，如果輸入圖片時，沒有賦予新的產品名稱或賦予的產品名稱不在列表中，則輸入先經過分類模型進行產品識別，獲取到相應的產品名稱后，調用對應的異常檢測模型進行異常檢測。
20、在一些實施例中，所述cross-scale?convolution模塊，具體用于：
21、對若干分辨率特征圖分別進行卷積降維，并統一特征通道數；
22、對經過通道數統一的各特征圖應用leakyrelu激活函數；
23、經過leakyrelu函數激活后，對不同分辨率的特征圖進行上采樣或下采樣，以匹配其他特征圖的尺寸；
24、將上采樣或下采樣后的特征圖與其他分辨率的特征圖進行通道疊加，得到多組融合后的特征圖；
25、對多組融合特征圖進行自適應加權，得到最終的融合本文檔來自技高網...
【技術保護點】
1.一種集合多類產品的缺陷異常檢測方法，其特征在于，所述方法包括：
2.如權利要求1所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，基于該圖像數據進行分類，包括：
3.如權利要求1或2所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，基于該圖像數據進行分類，還包括：
4.如權利要求1所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，所述Cross-Scale?Convolution模塊，具體用于：
5.如權利要求1所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，所述Flow模塊，具體用于對每個分辨率特征圖以及融合特征圖，執行下述步驟：
6.如權利要求1所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，所述融合模塊，具體用于：
7.如權利要求1或6所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，將該單通道特征圖像素點的像素值作為異常分數指標，具體地：
8.一種集合多類產品的缺陷異常檢測裝置，其特征在于，包括依序連接的以下模塊：
9.一種集合多類產品的缺陷異常
10.一種計算機可讀存儲介質，存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法。
...【技術特征摘要】
1.一種集合多類產品的缺陷異常檢測方法，其特征在于，所述方法包括：
2.如權利要求1所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，基于該圖像數據進行分類，包括：
3.如權利要求1或2所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，基于該圖像數據進行分類，還包括：
4.如權利要求1所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，所述cross-scale?convolution模塊，具體用于：
5.如權利要求1所述的一種集合多類產品的缺陷異常檢測方法，其特征在于，所述flow模塊，具體用于對每個分辨率特征圖以及...
【專利技術屬性】
技術研發人員：陳偉鋒，林夢翔，陳宇，
申請(專利權)人：廈門微亞智能科技股份有限公司，
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。