[发明专利]一种基于自监督学习的缺陷检测方法及系统

权利要求书

1.一种基于自监督学习的缺陷检测方法，其特征在于，包括以下步骤：

S1：将图像划分为多个子图像；

S2：使用自监督学习的特征模型提取每一个子图像的特征向量；

S3：计算每一个子图像的特征向量与对应子图像的一类模型之间的距离，得到距离矩阵；

S4：对距离矩阵进行上采样变换，得到与原图像大小一致的距离矩阵；

S5：采用滤波对距离矩阵进行平滑处理，并作归一化处理，得到归一化距离矩阵；

S6：通过判断归一化距离矩阵中的最大值与预定的图像级缺陷阈值之间的关系来确定是否存在缺陷；

S7：通过判断归一化距离矩阵的所有值与预定的像素级缺陷阈值之间的关系来确定缺陷的存在的位置及大小。

2.根据权利要求1所述的基于自监督学习的缺陷检测方法，其特征在于，所述自监督学习的特征模型由深度神经网络构成，所述深度神经网络选自卷积神经网络、递归神经网络和延时神经网络中的一种或者多种。

3.根据权利要求1所述的基于自监督学习的缺陷检测方法，其特征在于，所述一类模型选自聚类模型、多元高斯模型或单类SVM中的任意一种。

4.根据权利要求3所述的基于自监督学习的缺陷检测方法，其特征在于，所述多元高斯模型如下：

其中，x∈Rⁿ表示特征向量，μ∈Rⁿ表示样本的均值，∑∈R^n*n表示样本的协方差矩阵；

由于训练样本数量稀少，样本的特征维度高，需要对协方差矩阵进行收缩才能更准确地拟合出样本的分布，因此，

其中，ρ表示收缩因子，tr(*)表示矩阵的迹，I_n表示单位矩阵。

5.根据权利要求1所述的基于自监督学习的缺陷检测方法，其特征在于，每一个子图像的特征向量与对应子图像的一类模型之间的距离选自马氏距离、欧式距离或余弦距离中的任意一种。

6.根据权利要求5所述的基于自监督学习的缺陷检测方法，其特征在于，所述马氏距离的计算方式如下：