[发明专利]基于单样本学习的轻量化部件缺陷检测方法

权利要求书

1.一种基于单样本学习的轻量化部件缺陷检测方法，其特征在于，包括以下步骤：

步骤1，使用照相机配合补光装置对正常部件进行拍摄，得到一张正常部件的图像；

步骤2，使用预训练的神经网络模型提取正常部件的图像特征，并对图像进行分块，每一个图像块对应一个多尺度空间特征向量；

步骤3，根据步骤2提取的特征向量，判断图像所属的数据类型；

步骤4，对于结构类数据，构建特征库，对于纹理类数据，计算各个多尺度特征向量的特征分布；

步骤5，使用照相机配合补光装置采集待检测部件的图像，包含正常部件和异常部件的图像；

步骤6，以步骤1获取的正常部件图像为基准，对待检测部件图像进行色彩校正；

步骤7，对经过色彩校正的待检测部件图像执行步骤2和步骤3的操作，得到待检测部件图像所属的数据类型和各分块图像对应的多尺度空间特征向量；

步骤8，根据步骤4得到的特征库或分布特征，判断图像块存在缺陷的可能性；

步骤9，对每个图像块的缺陷可能值做归一化处理，并整合为与待检测部件图像具有相同分辨率的热力图；

步骤10，设定检测阈值，若热力图中某个图像块的缺陷可能值超过阈值，则判定该待检部件存在缺陷；

步骤11，根据阈值将待检测部件图像中缺陷可能值大的区域分割出来，当图像块对应的缺陷可能值大于设定的阈值时，划为分割区域，用于缺陷区域的可视化。

2.如权利要求1所述的一种基于单样本学习的轻量化部件缺陷检测方法，其特征在于：步骤3中对步骤2得到的若干特征向量进行随机采样，并比较特征之间的相似度，若图像块之间的特征向量存在明显差异，则判定部件图像属于结构类数据；反之，认定部件图像属于纹理类数据。

3.如权利要求1所述的一种基于单样本学习的轻量化部件缺陷检测方法，其特征在于：步骤4中对于结构类数据，存储所有图像块的多尺度空间特征向量，用于构建特征库；对于纹理类数据，计算并存储各个多尺度特征向量的特征分布，涉及均值、方差的计算，能够反映部件在不同空间尺度下的特征。

4.如权利要求1所述的一种基于单样本学习的轻量化部件缺陷检测方法，其特征在于：步骤6中首先计算图像三个色彩通道的亮度值，并进行色彩通道的重组，然后对各个通道以步骤1获取的正常部件图像为基准，实现直方图匹配，最终实现待检测部件图像的色彩校正。

5.如权利要求1所述的一种基于单样本学习的轻量化部件缺陷检测方法，其特征在于：步骤8中依次读取每个图像块的特征向量，若待检测部件图像为结构类数据，则在步骤4构建的特征库中进行k近邻检索，找到最相似的图像块，并计算两个图像块之间的欧式距离，用于表示该图像块存在缺陷的可能性；若待检测部件图像为纹理类数据，则读取步骤4计算得到的分布特征，计算每个图像块对应特征向量的特征距离，用于表示该图像块存在缺陷的可能性。

6.如权利要求1所述的一种基于单样本学习的轻量化部件缺陷检测方法，其特征在于：步骤9中缺陷可能值在归一化后的取值范围在0和1之间，热力图使用渐变色表示缺陷可能值，取0时为深蓝色，取1时为深红色。