[发明专利]基于单样本学习的轻量化部件缺陷检测方法

说明书

本发明涉及一种基于单样本学习的轻量化部件缺陷检测方法。利用机器视觉技术，使用现有光学检测设备采集的部件图像，实现部件的缺陷检测，包括定性的判定部件是否存在问题，以及给出存在缺陷的可能区域。本发明提出的方法无需人工标注样本，数据采集成本低，且能适应不同的光照条件。

技术领域

本发明属于机器视觉检测技术领域，具体涉及一种基于单样本学习的轻量化部件缺陷检测方法。

背景技术

工业质检的目的是检测图像数据中具有异质特征的对象，也称为缺陷检测。缺陷检测任务在工业生产、交通检测、医疗诊断等领域都发挥着重要作用。如工业生产过程中，检测产品中的不合格品便是一种缺陷检测任务。传统的工业生产过程中，为了完成缺陷检测任务，往往依赖人类优秀的异常检测能力，但这需要有经验的熟练工人，并且不同操作人员对缺陷的认知有差异，导致检测结果良莠不齐，整体检验效率低下。

在目前的缺陷检测场景下，传统的使用图像标签学习图像特征，进而寻找图像的一般特征的方式是难以实现的。因为工业生产的过程中，大量的产品都是无异常、无缺陷的，有缺陷的、有异常的不合格品是十分罕见的，这导致用于训练的具有异常的图像数量稀少，并且这些异常目标的缺陷十分多样，难以描述，无法制作成像素级的标签，使得传统的网络训练往往不能得到令人满意的结果。同时，现有的光学检测设备都需要安装补光装置，而传统机器视觉检测方法易受光照影响，通常在某个光照条件下训练的视觉检测方法，很难应用于其他光照条件下。

综上分析，受缺陷样本少、缺陷情况难以描述以及光照变化等因素的影响，自动光学检测设备获取的部件影像数据复杂多样，现有的部件缺陷检测算法难以满足工业质检的实际需求。

发明内容

本发明针对现有技术的不足，提供一种基于单样本学习的轻量化部件缺陷检测方法。利用机器视觉技术，使用现有光学检测设备采集的部件图像，实现部件的缺陷检测，包括定性的判定部件是否存在问题，以及给出存在缺陷的可能区域，以达到统一的标准化质量控制的目的，提高工业质检的速率和精度。

为了达到上述目的，本发明提供的技术方案是一种基于单样本学习的轻量化部件缺陷检测方法，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。