[发明专利]基于正样本的异物检测方法及存储介质

权利要求书

1.一种基于正样本的异物检测方法，其特征在于，包括以下步骤，

S1、采用机器人定点拍摄方式获取待测设备同一部位的待测图像与模板图像；

S2、将待测图像与模板图像进行配准，得到待测图像中异物待检区域；

S3、将异物待检测区域作为预先训练好的异物检测网络输入，得到精确的异物分割图；

S4、对异物分割图像进行后处理，进行异常定位与检测。

2.根据权利要求1所述的基于正样本的异物检测方法，其特征在于：步骤S3将异物待检测区域作为预先训练好的异物检测网络输入，得到精确的异物分割图，还包括，

将异物检测区域在原图中通过平移、旋转、缩放、改变光照强度这些方式进行图像增强，接着将增强后的异物检测区域转换成1024*1024尺寸的图像，作为异物检测网络输入。

3.根据权利要求2所述的基于正样本的异物检测方法，其特征在于：所述预先训练好的异物检测网络包括异常模拟生成器、异物重构网络与异物分割判别网络，其中，异常模拟生成器的处理步骤如下：

1)使用柏林噪声生成器生成噪声，捕获各种形状异常；

2)通过随机均匀选取阈值，将噪声二值化为异常图；

3)从与输入图像分布无关的异常源图像数据集中采样的异常纹理源图像A；

4)使用随机增强采样方法，从集合{后处理、锐度、日晒、均衡、亮度变化、颜色变化、自动对比度}中随机选择三种操作对A进行增强；

5)增强的纹理图像A、异常图Ma以及原始图像I混合用来生成刚刚超出分布的异常；最终模拟异常生成器生成异常图像Ia定义为，

其中A为增强后纹理图像，M_a为异常掩码图、I为输入原图，是M_a图像取反，⊙是元素乘法运算，β是混合中的不透明度参数，从[0.1,1.0]区间中均匀采样。

4.根据权利要求3所述的基于正样本的异物检测方法，其特征在于：所述的异物重构网络采用编码-解码架构，其中异物检测网络使用一种编码-解码架构，编码器包括依次连接的第一到第四的卷积层与池化层；解码器包括依次连接的第一到第四卷积变换层与上采样层以及第五卷积层，第五层卷积层的输出作为重构图像Ir输出；

编码器包含多层卷积层、激活层、池化层，解码器包含多层卷积层，激活层、上采样层，解码器和编码器都学习正常样本的编码，然后从降维编码中仅可能生成接近原始输入。

5.根据权利要求3所述的基于正样本的异物检测方法，其特征在于：所述的异物分割判别网络采用类似U-Net架构并具有跳跃连接的编码-解码架构，其中编码器包括依次连接的第一到第四的卷积层与池化层；解码器包括依次连接的第一到第四的卷积变换层与上采样层以及第五层卷积层，并将编码器第四层池化层上采样与解码器第一层卷积变换层连接，将编码器第三层池化层上采样与解码器第二层卷积变换层连接，将编码器第二层池化层上采样与解码器第三层卷积变换层连接，将编码器第一层池化层上采样与解码器第四层卷积变换层连接，解码器第五层卷积层输出异物分割掩码图；

编码器包含多层卷积层、激活层、池化层，解码器包含多层卷积层，激活层、上采样层，编码与解码采用跳跃连接的编码，全面捕捉高维图像空间中正态数据分布的多尺度分布。

6.根据权利要求1所述的基于正样本的异物检测方法，其特征在于：所述的S4对异物分割图像进行后处理，进行异常定位与检测，包括：

所述的将异物分割图像进行后处理，得到异物概率与区域，其中使用异常检测掩码直接进行异常定位，同时使用均值滤波器卷积层对像素级异常检测掩码进行平滑处理，聚合局部异常响应信息，通过取平滑异常分数图的最大值η来计算图像级异常分数，进行异常检测，η定义为：

η＝max(M_o*f_sf×sf)

其中f_sf×sf是大小为sf×sf的均值滤波器，*是卷积算子。