申请/专利权人：福州大学

申请日：2021-12-28

公开（公告）日：2024-06-28

公开（公告）号：CN114332008B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0464;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：本发明涉及一种基于多层次特征重构的无监督缺陷检测与定位方法。所述方法包括：获取产品的无异常图像和不同种类缺陷的异常图像；用无异常图像输入特征提取网络提取出多尺度的特征组；将最高维度的特征输入重构网络逐层重构出对应不同尺度的新特征组；对两组特征组构建损失函数训练重构网络；在测试阶段以两组特征组的差异情况计算异常图和异常分数用于判断异常和定位缺陷区域。本发明有效地利用了无异常图像与异常图像在不同维度的特征信息差异，能够实现对产品缺陷区域的检测，从而避免人工标注并提高产品质量检测效率。

主权项：1.一种基于多层次特征重构的无监督缺陷检测与定位方法，其特征在于，包括如下步骤：步骤S1、获取目标产品的无异常图像和异常图像制作数据集；步骤S2、构建基于多层次特征的特征提取和重构网络；步骤S21、基于wideResNet50-2网络构造特征提取模块，提取出3层具有不同尺度的特征图，并以尺寸最小、通道数最多的一层特征图作为下一个特征重构模块的输入；所述步骤S21实现如下：首先裁剪wideResNet50-2网络的前3个卷积层Conv2、Conv3、Conv4作为特征提取模块，输入图像后输出3层具有不同尺度的特征图{f1,f2,f3}，将f3作为特征重构模块的输入；步骤S22、构造特征重构模块，以高维的特征图为输入，采用3个卷积层从高维至低维重构，在层与层使用上采样操作调整特征图的尺寸，输出3层与特征提取模块中尺寸一一对应的特征图；所述步骤S22包括以下步骤：步骤S221、构造特征重构模块，由3个卷积层Conv4’、Conv3’、Conv2’构成，每层卷积层包括3次卷积核大小分别为1、3、1的卷积操作，每个卷积操作伴随批归一化操作和LeakyReLu激活函数，在每个卷积层之间使用双线性插值法对输出的特征图上采样2倍，在每层特征图的输出分支中使用一个卷积核大小为1的卷积操作整合通道间的信息；步骤S222、以特征提取模块输出的通道数最多、尺寸最小的特征f3作为特征重构模块的输入，由特征重构模块的每一层卷积层输出对应尺度大小的重构特征组{f'1,f'2,f'3}；步骤S3、将训练图像数据集输入到步骤S2构造的网络中进行训练；步骤S3中采用损失函数来训练优化网络模型的参数，基于多层次特征的特征提取和重构网络中的特征提取模块参数保持不变，特征重构模块的参数参与优化，在Pytorch深度学习框架下进行训练；损失函数使用多层次特征重构函数Lf； 其中，fn和f'n分别表示第n层提取的特征图和对应的重构特征图，两个特征图都经过了L2标准化，MSE表示均方差损失函数；步骤S4、将测试图像数据集输入到参数最优模型中进行推理；步骤S5、采用基于多层次特征差异的异常图，得到检测结果；步骤S5中通过比较特征提取模块和特征重构模块输出的两组特征图之间的差异得到一组残差特征图，通过对不同层的残差特征图进行上采样、相加、高斯滤波操作得到和输入图像尺寸相同的异常图，取异常图中最大值得到异常分数，通过选取阈值对异常图和异常分数进行阈值分割得到缺陷的检测和定位结果。

全文数据：

权利要求：

百度查询： 福州大学 一种基于多层次特征重构的无监督缺陷检测与定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD