【技術實現步驟摘要】
本專利技術涉及計算機視覺和工業檢測領域，尤其涉及一種基于變分自編碼器與去噪網絡的多類別缺陷檢測方法及裝置，用于對工業零部件等多類別物體的表面缺陷進行自動化檢測和定位。
技術介紹
1、工業生產過程中，零部件表面的缺陷檢測是保障產品質量的重要環節。現有的自動化缺陷檢測方法大多基于單類產品的檢測，對于多類別產品往往需要為每一類產品單獨訓練檢測模型，這不僅增加了模型的復雜度和計算成本，還在面對跨類別產品檢測時存在明顯的局限性。此外，現有方法在處理細小或復雜紋理的缺陷時，重建效果不佳，容易造成誤報或漏報。
2、近年來，變分自編碼器(vae)和去噪擴散模型因其強大的圖像重建能力在異常檢測任務中得到了廣泛關注。vae能夠學習輸入數據的特征分布，利用其潛在空間對正常樣本進行建模。然而，現有的基于vae的檢測方法在處理多類別異常檢測時，容易出現類別混淆問題，無法有效區分正常與異常樣本。此外，擴散模型盡管能夠生成高質量圖像，但通常需要多個擴散步驟，導致計算成本較高。
3、針對上述問題，如何對不同類別的零部件進行統一檢測并實現異常區域的精確定位，是本領域技術人員亟待解決的問題之一。
技術實現思路
1、本專利技術的主要目的在于克服現有技術的缺點與不足，提供一種基于變分自編碼器與去噪網絡的多類別缺陷檢測方法及裝置，通過結合vae和去噪網絡的優勢，能夠解決現有技術在多類別缺陷檢測中存在的檢測精度不足、計算成本高和類別混淆等問題，實現對產品表面缺陷更為可靠的檢測識別和定位。
3、第一方面，本專利技術提供了一種基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，包括下述步驟：
4、獲取工業產品表面缺陷圖像并進行預處理，構建訓練集和驗證集；
5、構建圖像重建模型，所述圖像重建模型包括依次連接的變分編碼器、特征引導網絡、去噪網絡和變分解碼器；所述變分編碼器用于提取圖像的緊湊特征，并學習圖像特征分布；所述特征引導網絡通過提取變分編碼器特征與去噪網絡進行信息交互，引導去噪網絡進行多類別正確重建；所述去噪網絡在特征空間中進一步對圖像特征進行二次重建，以增強圖像重建模型的重建能力；所述變分解碼器用于根據潛空間的特征進行圖像的初步重建；
6、利用訓練集對所述圖像重建模型進行分階段訓練，具體包括：第一階段訓練變分編碼器和變分解碼器，以學習正常圖像的特征分布與重建；第二階段訓練去噪網絡，以進一步優化圖像特征的重建效果；
7、設計多尺度特征提取比對網絡提取輸入圖像和重建圖像的多尺度特征進行對比，并輸出異常評分圖，基于該評分圖實現缺陷定位；
8、將驗證集輸入由圖像重建模型和多尺度特征提取比對網絡組成的缺陷檢測模型進行驗證測試，評估缺陷檢測模型的檢測性能，并基于評估后的缺陷檢測模型實現實際工業場景中的多類別缺陷檢測。
9、作為優選的技術方案，所述獲取工業產品表面缺陷圖像并進行預處理，構建訓練集和驗證集，具體為：
10、使用工業相機來完成工業產品表面圖像數據采集工作，將面陣相機固定在俯拍機位，使用均勻光照射樣本，采集明亮且受光均勻的工業產品表面圖像。對圖像進行分類；按照不同類別對工業產品表面缺陷圖像進行數據預處理；經過圖像采集模塊，進行歸一化、亮度均勻化，轉換為模型可以識別的格式；
11、對采集的圖像數據進行清洗、數據增強和歸一化處理，并轉換為模型可識別的格式；
12、在預處理后的圖像中，選取無異常的圖像作為訓練集，選取有異常的圖像與其對應的異常掩碼圖作為驗證集。
13、作為優選的技術方案，所述構建圖像重建模型，具體為：
14、使用預訓練的變分編碼器將輸入圖像x壓縮到潛在空間表示z，并提取出中間層特征fi，其中z通過添加噪聲的部分正向擴散過程生成擾動的潛在變量zt；fi輸入特征引導網絡以對去噪網絡進行引導；
15、將zt輸入去噪網絡，通過一步逆擴散過程輸出重建的潛在表示并利用預訓練的變分解碼器將還原至原始圖像水平，得到重建圖像
16、作為優選的技術方案，所述利用訓練集對所述圖像重建模型進行分階段訓練，具體為：
17、第一階段的訓練中，訓練變分編碼器和變分解碼器以將正常圖像壓縮到潛在空間并恢復像素級表示，并采用均方誤差損失和感知圖像相似性損失作為重建損失度量，采用kl散度和最大均值差異來對潛空間特征進行約束；所述均方誤差損失用于重建像素級誤差，所述感知圖像相似性損失用于增強重建圖像的局部真實感；
18、第二階段的訓練中，訓練去噪網絡以對潛在空間變量進行二次重建，重建大規模異常和紋理異常，并引入特征引導網絡來引導正確的類別重建；第二階段的損失函數通過最小化預測噪聲和實際噪聲的差異，引導圖像重建模型逐步恢復正常數據分布，增強對復雜缺陷和異常的重建能力。
19、作為優選的技術方案，所述特征引導網絡從變分編碼器塊的中間層中提取特征并通過交叉注意力機制與去噪網絡的輸出特征進行交互，指導去噪網絡更準確地重建圖像細節。
20、作為優選的技術方案，所述多尺度特征提取比對網絡，在推理階段，將輸入的原始圖像x與重建圖像通過預訓練的特征提取器提取特征，并通過計算不同尺度特征圖的余弦相似度來生成異常評分圖異常分數通過對所有特征層的評分進行加權求和計算得到。
21、作為優選的技術方案，所述異常評分圖的計算公式如下：
22、
23、其中，n表示特征提取層，為預訓練的特征提取器提取的第n層特征。異常評分通過對所有特征層的評分進行加權求和計算得到：
24、
25、其中，σn為用于保持像素空間維度一致的上采樣因子，n為推理過程中使用的特征層集合。
26、第二方面，本專利技術提供了一種基于變分自編碼器與去噪網絡的多類別缺陷檢測系統，應用于所述的基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，包括圖像采集模塊、圖像重建模塊、信息引導模塊、多尺度特征對比模塊和模型部署模塊；
27、所述圖像采集模塊，用于獲取工業產品表面缺陷圖像并進行預處理，構建訓練集和驗證集；
28、所述圖像重建模塊，用于構建圖像重建模型，所述圖像重建模型包括依次連接的變分編碼器、特征引導網絡、去噪網絡和變分解碼器；所述變分編碼器用于提取圖像的緊湊特征，并學習圖像特征分布；所述特征引導網絡通過提取變分編碼器特征與去噪網絡進行信息交互，引導去噪網絡進行多類別正確重建；所述去噪網絡在特征空間中進一步對圖像特征進行二次重建，以增強圖像重建模型的重建能力；所述變分解碼器用于根據潛空間的特征進行圖像的初步重建；
29、所述信息引導模塊，用于利用訓練集對所述圖像重建模型進行分階段訓練，具體包括：第一階段訓練變分編碼器和變分解碼器，以學習正常圖像的特征分布與重建；第二階段訓練去噪網絡，以進一步優化圖像特征的重建效果；
30、所述多尺度特征對比模塊，用于設計多尺度本文檔來自技高網...
【技術保護點】
1.基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，包括下述步驟：
2.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述獲取工業產品表面缺陷圖像并進行預處理，構建訓練集和驗證集，具體為：
3.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述構建圖像重建模型，具體為：
4.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述利用訓練集對所述圖像重建模型進行分階段訓練，具體為：
5.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述特征引導網絡從變分編碼器塊的中間層中提取特征并通過交叉注意力機制與去噪網絡的輸出特征進行交互，指導去噪網絡更準確地重建圖像細節。
6.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述多尺度特征提取比對網絡，在推理階段，將輸入的原始圖像x與重建圖像通過預訓練的特征提取器提取特征，并通過計算不同尺度特征圖的余弦相似度來生成異常評
7.根據權利要求6所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述異常評分圖的計算公式如下：
8.基于變分自編碼器與去噪網絡的多類別缺陷檢測系統，其特征在于，應用于權利要求1-7中任一項所述的基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，包括圖像采集模塊、圖像重建模塊、信息引導模塊、多尺度特征對比模塊和模型部署模塊；
9.一種電子設備，其特征在于，所述電子設備包括：
10.一種計算機可讀存儲介質，存儲有程序，其特征在于，所述程序被處理器執行時，實現權利要求1-7任一項所述的基于變分自編碼器與去噪網絡的多類別缺陷檢測方法。
...【技術特征摘要】
1.基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，包括下述步驟：
2.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述獲取工業產品表面缺陷圖像并進行預處理，構建訓練集和驗證集，具體為：
3.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述構建圖像重建模型，具體為：
4.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述利用訓練集對所述圖像重建模型進行分階段訓練，具體為：
5.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷檢測方法，其特征在于，所述特征引導網絡從變分編碼器塊的中間層中提取特征并通過交叉注意力機制與去噪網絡的輸出特征進行交互，指導去噪網絡更準確地重建圖像細節。
6.根據權利要求1所述基于變分自編碼器與去噪網絡的多類別缺陷...
【專利技術屬性】
技術研發人員：梁云，黃俊杰，胡志光，洪波，梁啟民，高旺，
申請(專利權)人：華南農業大學，
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。