一种基于度量学习的屏蔽罩类外观缺陷检测方法与流程

1.本发明实施例涉及屏蔽罩类外观缺陷检测技术领域，尤其涉及一种基于度量学习的屏蔽罩类外观缺陷检测方法、计算机可读存储介质及数据处理装置。


背景技术：

2.随着国家工业化水平的不断发展，日常生产生活中用到的诸多物品、配件都由工业生产线制造。在工业生产过程中，生产环境的变化，机械误差，坯料的质量等种种因素有概率导致生产出的产品包含多种瑕疵(例如压伤、划伤、异物、异色、尺寸差异等)，由于这些缺陷会影响产品性能或降低用户体验，因此工业外观缺陷检测方法需要在出厂前将其检出。尽管在过去的十几年中，工业产品生产有了极大的进步且生产需求日益增加，但对相关工业产品的缺陷检测仍依赖人工完成，现在主流的人工目视检测不仅效率低下，而且检测标准主观因素大，严重制约工业制造的自动化进程，并且人工在线缺陷检测不但会使成本上升，也对人力资源提出了考验。
3.现有的基于深度学习的外观缺陷检测技术很少且不成熟，在面对工厂质检部门频繁变更工艺、缺陷标准时，模型更新需要花费大量时间且性能不稳定，变更一次标准通常需要花费几天甚至数周时间收集新的数据并训练更新模型，这大大降低了工厂的生产速度。


技术实现要素：

4.本发明为解决现有的检测方法模型更新麻烦的技术问题，提供了一种基于度量学习的屏蔽罩类外观缺陷检测方法、计算机可读存储介质及数据处理装置。
5.本发明提供了一种基于度量学习的屏蔽罩类外观缺陷检测方法，包括以下步骤：
6.步骤s1，选取正样本x
p
、锚点样本xa及负样本xn；
7.步骤s2，经过神经网络分别提取三个样本的样本特征f
p
、fa、fn；
8.步骤s3，将提取的样本特征f
p
、fa、fn通过反向计算triplet loss；
9.步骤s4，若triplet loss不为0，则对神经网络的权重值进行更新，并执行步骤s2；
10.步骤s5，若triplet loss为0，则完成对神经网络的权重值的更新；
11.步骤s6，检测样本经过神经网络提取样本特征，并将该样本特征与预备好的缺陷样本库里的样本特征进行比对，从而确定该检测样本的缺陷程度。
12.进一步地，所述步骤s3中，triplet loss的计算公式如下：triplet loss＝max(0,d(anchor,positive)-d(anchor,negative)+delta)；
13.其中，d(anchor，positive)表示锚点样本xa与正样本x
p
在高维特征空间的距离，d(anchor，negative)表示锚点样本xa与负样本xn在高维特征空间的距离，delta为常数。
14.进一步地，所述正样本在缺陷严重程度上与锚点样本在高维特征空间的距离相较于负样本与锚点样本在高维特征空间的距离更接近。
15.进一步地，所述高维特征空间的距离通过计算样本特征的二范数获得。
16.另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该
程序被处理器执行时实现所述的方法的步骤。
17.再一方面，本发明还提供了一种数据处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。
18.本发明的有益效果是：本发明提供一种度量学习方法，在训练模型的骨架网络时，将收集到的样本数据进行排序性标注，并根据标注好的序列信息训练网络提取样本的高维特征，这使得提取到的高维特征在高维空间中不仅包含了确定缺陷类型的信息，也包含了缺陷的严重程度的信息，在检测缺陷时，只需要将提取到的检测区域正向通过该网络，与事先设定好的缺陷样本进行比对，计算出两者在高维空间中的距离，即可以有效地判断该检测区域是否属于缺陷。具体来讲，如果该检测区域与良品样本距离更近，那么判断其为良品，反之亦然。此外，通过反向计算triplet loss，能够快速更新神经网络的权重值，从而使得神经网络能够快速根据使用者的需求进行调整，更有利于用户对缺陷标准进行更新，便于使用。
附图说明
19.图1为本发明基于度量学习的屏蔽罩类外观缺陷检测方法的步骤流程图。
具体实施方式
20.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
21.下面通过具体实施方式结合附图对本发明作进一步详细说明。
22.如图1所示，本发明提供了一种基于度量学习的屏蔽罩类外观缺陷检测方法，包括以下步骤：
23.步骤s1，选取正样本x
p
、锚点样本xa及负样本xn；
24.步骤s2，经过神经网络分别提取三个样本的样本特征f
p
、fa、fn；
25.步骤s3，将提取的样本特征f
p
、fa、fn通过反向计算triplet loss；
26.步骤s4，若triplet loss不为0，则对神经网络的权重值进行更新，并执行步骤s2；
27.步骤s5，若triplet loss为0，则完成对神经网络的权重值的更新；
28.步骤s6，检测样本经过神经网络提取样本特征，并将该样本特征与预备好的缺陷样本库里的样本特征进行比对，从而确定该检测样本的缺陷程度。
29.本发明提供一种度量学习方法，在训练模型的骨架网络时，将收集到的样本数据进行排序性标注，并根据标注好的序列信息训练网络提取样本的高维特征，这使得提取到的高维特征在高维空间中不仅包含了确定缺陷类型的信息，也包含了缺陷的严重程度的信息，在检测缺陷时，只需要将提取到的检测区域正向通过该网络，与事先设定好的缺陷样本进行比对，计算出两者在高维空间中的距离，即可以有效地判断该检测区域是否属于缺陷。具体来讲，如果该检测区域与良品样本距离更近，那么判断其为良品，反之亦然。此外，通过反向计算triplet loss，能够快速更新神经网络的权重值，从而使得神经网络能够快速根据使用者的需求进行调整，更有利于用户对缺陷标准进行更新，便于使用。
30.具体地，每次选取三个样本构成一个三元组，选取的三元组需要其中两个来自同一类别，另外一个来自不同类别，那么这个来自不同类别的我们叫负样本xn，来自同一类别的两个样本其中一个叫锚点样本xa，一个叫正样本x
p
。
31.在一个可选实施例中，所述步骤s3中，triplet loss的计算公式如下：triplet loss＝max(0,d(anchor,positive)-d(anchor,negative)+delta)；
32.其中，d(anchor，positive)表示锚点样本xa与正样本x
p
在高维特征空间的距离，d(anchor，negative)表示锚点样本xa与负样本xn在高维特征空间的距离，delta为常数。具体地，，所述正样本在缺陷严重程度上与锚点样本在高维特征空间的距离相较于负样本与锚点样本在高维特征空间的距离更接近。所述高维特征空间的距离通过计算样本特征的二范数获得。
33.本实施例中，如果d(anchor,positive)-d(anchor,negative)+delta为负，loss取0，因为d(anchor,positive)-d(anchor,negative)+delta为负，我们可以看出d(anchor，positive)-d(anchor，negative)这一项小于负的delta，那么说明：
34.1.锚点样本xa与正样本x
p
的距离比锚点样本xa与负样本xn之间的距离近。
35.2二者之差已经超过了delta，足够远了，所有具有区分度了。
36.如果d(anchor,positive)-d(anchor,negative)+delta不为负，则取d(anchor,positive)-d(anchor,negative)+delta，说明我们还有损失，有损失就有梯度，网络权重值就需要继续更新。
37.另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的方法的步骤。本发明提供一种度量学习方法，在训练模型的骨架网络时，将收集到的样本数据进行排序性标注，并根据标注好的序列信息训练网络提取样本的高维特征，这使得提取到的高维特征在高维空间中不仅包含了确定缺陷类型的信息，也包含了缺陷的严重程度的信息，在检测缺陷时，只需要将提取到的检测区域正向通过该网络，与事先设定好的缺陷样本进行比对，计算出两者在高维空间中的距离，即可以有效地判断该检测区域是否属于缺陷。具体来讲，如果该检测区域与良品样本距离更近，那么判断其为良品，反之亦然。此外，通过反向计算triplet loss，能够快速更新神经网络的权重值，从而使得神经网络能够快速根据使用者的需求进行调整，更有利于用户对缺陷标准进行更新，便于使用。
38.再一方面，本发明还提供了一种数据处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。本发明提供一种度量学习方法，在训练模型的骨架网络时，将收集到的样本数据进行排序性标注，并根据标注好的序列信息训练网络提取样本的高维特征，这使得提取到的高维特征在高维空间中不仅包含了确定缺陷类型的信息，也包含了缺陷的严重程度的信息，在检测缺陷时，只需要将提取到的检测区域正向通过该网络，与事先设定好的缺陷样本进行比对，计算出两者在高维空间中的距离，即可以有效地判断该检测区域是否属于缺陷。具体来讲，如果该检测区域与良品样本距离更近，那么判断其为良品，反之亦然。此外，通过反向计算triplet loss，能够快速更新神经网络的权重值，从而使得神经网络能够快速根据使用者的需求进行调整，更有利于用户对缺陷标准进行更新，便于使用。
39.在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“一个实施
例”、“一些实施例”、“在一个可选实施例中”、“具体地”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
40.以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。

技术特征：
1.一种基于度量学习的屏蔽罩类外观缺陷检测方法，其特征在于，包括以下步骤：步骤s1，选取正样本x
p
、锚点样本x
a
及负样本x
n
；步骤s2，经过神经网络分别提取三个样本的样本特征f
p
、f
a
、f
n
；步骤s3，将提取的样本特征f
p
、f
a
、f
n
通过反向计算triplet loss；步骤s4，若triplet loss不为0，则对神经网络的权重值进行更新，并执行步骤s2；步骤s5，若triplet loss为0，则完成对神经网络的权重值的更新；步骤s6，检测样本经过神经网络提取样本特征，并将该样本特征与预备好的缺陷样本库里的样本特征进行比对，从而确定该检测样本的缺陷程度。2.如权利要求1所述的基于度量学习的屏蔽罩类外观缺陷检测方法，其特征在于，所述步骤s3中，triplet loss的计算公式如下：triplet loss＝max(0,d(anchor,positive)-d(anchor,negative)+delta)；其中，d(anchor，positive)表示锚点样本x
a
与正样本x
p
在高维特征空间的距离，d(anchor，negative)表示锚点样本x
a
与负样本x
n
在高维特征空间的距离，delta为常数。3.如权利要求1或2所述的基于度量学习的屏蔽罩类外观缺陷检测方法，其特征在于，所述正样本在缺陷严重程度上与锚点样本在高维特征空间的距离相较于负样本与锚点样本在高维特征空间的距离更接近。4.如权利要求2所述的基于度量学习的屏蔽罩类外观缺陷检测方法，其特征在于，所述高维特征空间的距离通过计算样本特征的二范数获得。5.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该程序被处理器执行时实现权利要求1～4任一项所述的方法的步骤。6.一种数据处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现权利要求1～4任一项所述方法的步骤。

技术总结
本发明提供了一种基于度量学习的屏蔽罩类外观缺陷检测方法、计算机可读存储介质及数据处理装置，包括以下步骤：选取正样本X


技术研发人员：胡炳彰 令狐彬 许鹏 周璠 卫峥 卞哲
受保护的技术使用者：东莞中科迪宏人工智能科技有限公司
技术研发日：2023.06.08
技术公布日：2023/10/6