[发明专利]一种工业产品异常检测方法、系统、装置及存储介质

说明书

本发明公开了一种工业产品异常检测方法、系统、装置及存储介质，其中方法包括：获取待检测图像，将待检测图像输入编码器，获得第一编码特征，根据第一编码特征和预设的全局模板特征进行余弦相似度计算，获得相似性得分图；将相似性得分图和预设的阈值分数图进行比较，获取异常特征，将异常特征替换为对应位置的模板特征；将特征修正后的编码特征输入解码器中，获得重建图像；将待检测图像和重建图像进行相似度分数计算，根据相似度分数进行阈值分割，获得待检测图像中存在异常的图像区域。本发明针对实际检测图像的特点制定模板特征，克服重建模型无法重建严重异常的缺点，具有自适应性和抗干扰能力，可广泛应用于工业产品异常检测技术领域。

技术领域

本发明涉及工业产品异常检测技术领域，尤其涉及一种工业产品异常检测方法、系统、装置及存储介质。

背景技术

新能源汽车电池包、电气设备、PCB板等工业产品在完成最后的封装之前，需要对产品进行异常检测，目的是发现零部件的表面缺陷、识别是否存在散落在产品内的异物如螺栓、螺母等。工业产品的异常情况不仅影响产品本身的质量及外观，而且可能在很大程度上影响产品的使用性能，甚至造成重大的安全隐患，如电池包中的金属异物造成的短路事故。然而，现有工业产品异常检测主要依赖于有经验的检测员工通过人工目视进行，效率低、精度低、工作乏味枯燥，且极易受到检测者主观因素的影响而造成漏检或误检。因此，开发自动化、智能化的工业产品异常视觉检系统有显著的应用价值。

目前学术界和工业界提出的利用机器视觉完成异常检测方法主要分为基于背景差分检测方法、基于深度学习的有监督的检测方法和基于深度学习的无监督的检测方法等；但这几种方法在稳定性、准确性、通用性及智能化程度等方面还存在明显的缺点，简述如下：

(1)基于背景差分的检测方法。该方法属于传统的检测方法，其过程是：首先收集若干无缺陷的标准产品样本图像用作参考，称为模板图像；检测时，将待测图像与模板图像对齐，对二者进行差分运算，得到待测图与模板图像之间的误差图，图上误差值较大的区域即视为异常(异物)区域。该方法计算量小，实现简单，但存在以下固有的问题：①一是图像对齐和定位通常需要借助检测对象上的某些特殊特征，如几何特征孔、人工标记图案等，可行性受具体产品制约。更通用的方法是使用图像梯度特征如SIFT、SURF描述子等，基于特征矢量之间的相似度对待测图像和模板图像的几何变换关系进行匹配，从而矫正待测图像，使其与模板图像对齐。但是，这种方法仅限于一些容易提取特征点如边缘棱角突出的物体，对于弱纹理如金属物体表面该方法将失效或不可靠。②其次，许多产品因为制造装配的公差、材料的弹性形变、拍摄视角的偏移等因素，待测图像与模板图像无法精确对齐，算法无法区分错位产生的误差与真实的异常。③再次，模板图像的采集环境与待测图像的采集环境无法严格一致，环境光照变化等也会引入额外的噪声，造成不可接受的误检。由于以上因素，该方法仅限于简单对象的检测如玻璃、薄膜表面缺陷等，不适用于电池包异物检测等复杂场景。

(2)基于深度学习的有监督异常检测方法。此类方法通常假定已知异常(异物)类型，并且每种类别的异常、异物形态具有较好的一致性。利用FasterRCNN、SSD或YOLO系列等多目标检测框架对异常目标进行识别和检测。例如，YOLO系列深度学习目标检测框架将物体检测作为回归问题求解，通过拟合标注的真实框的宽高和在图像位置以及框中物体所属类别实现端到端的目标检测，速度快、准确率高。然而：①由于目标检测方法需要采集大量包含异常类型的图像以及人工标注提供真实框的数据，在实际生产过程中采集大量异常样本困难，人工标注工作量极大且极易受到标注人员主观因素的影响而产生误检或漏检现象。②更严重的是，在工业环境中大多数异常(异物)类型是未知的，同类型的异常(异物)形状、外观、姿态也各不相同。而现有的YOLO等目标检测框架对于未训练过(“未见过”)的异常(异物)是没有检测能力的，无法满足实际的需要。