欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024114493421
申请人: 无锡学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度对比学习的缺陷检测方法,其特征在于:包括,获取工业工件的原始图像数据,并进行归一化、去噪、裁剪及尺寸调整,形成标准化图像数据;

将标准化图像数据输入到基于Transformer的深度对比学习模型中,输出工件图像的全局特征向量;

将全局特征向量输入到对比学习的正负样本对生成单元中,生成正样本对和负样本对;

通过深度对比学习的损失函数优化正负样本对的特征分布,得到优化后的正负样本对;

将优化后的正负样本对输入到元学习单元中,通过元学习机制对深度对比学习模型进行快速适应训练;

将经过训练的对比学习模型应用于实时缺陷检测中,对新输入的工件图像进行缺陷判断,输出工件的缺陷检测结果;

所述输出工件图像的全局特征向量,具体步骤为,将标准化后的图像数据转换为基于Transformer的深度对比学习模型输入的patch形式;

将图像分割为非重叠patch,每个patch的尺寸为P×P;

对每个patch进行展平操作,将其转换为一维向量,并通过线性投影将每个patch映射到固定维度D;

令N为patch的数量,则patch表达式为:其中,H表示图像的高度,W表示宽度;

将经过线性投影后,所有patch的组合表示为一个输入特征矩阵X∈RN×D;

通过输入特征矩阵X的线性变换,生成查询矩阵Q、键矩阵K和值矩阵V的三组矩阵;

通过每个patch之间的相互依赖关系计算注意力权重矩阵A,表达式为:其中,Dk表示查询向量和键向量的维度,KT表示键矩阵K的转置;

基于注意力权重A和值矩阵V,计算输出特征Z=AV;

将输入patch通过多个独立的注意力头的输出进行拼接并线性变换,生成全局特征向量,表达式为:其中,Fgl为输出的全局特征向量,H表示多头自注意力机制中的注意力头数量,表示归一化因子,h表示当前的注意力头的索引,i表示输入图像被分割成的patch的索引,Ah(Xi)表示从第h个头的注意力矩阵中提取的与第i个patch注意力权重,Wh表示第h个注意力头的线性变换矩阵,Xi输入的第i个patch特征向量;

所述生成正样本对和负样本对,具体步骤为,

对从多头自注意力机制生成的全局特征向量Fgl进行归一化处理,得到全局特征向量对于每个工件的原始图像I,通过数据增强生成多个不同视角的图像;

基于每个增强后的图像,通过Transformer模型提取增强图像的全局特征向量将同一工件的不同视角的全局特征向量两两配对,生成正样本对;

随机选择不同工件的图像I,对每个图像计算全局特征向量将来自不同工件的全局特征向量进行配对,生成负样本对;

所述得到优化后的正负样本对,具体步骤为,

对每对正样本对和负样本对,计算余弦相似度,并应用InfoNCE损失函数优化神经网络模型;

使用Adam优化器,基于InfoNCE损失,对神经网络模型进行参数更新;

计算损失L,对损失进行反向传播更新神经网络模型参数,直到神经网络模型达到预定的训练轮次;

将输入样本映射到训练完成的神经网络模型特征空间中,进一步优化正负样本对;

所述通过元学习机制对深度对比学习模型进行快速适应训练,具体步骤为,将优化后的正负样本对划分为多个元任务Ti,每个任务包含工件的正负样本对;

在每个任务的支持集上,使用自适应温度调节机制调整温度参数;

在支持集调整参数后,通过动态任务权重为每个任务动态分配权重wi表达式为:wi=(1+exp(-γ·(Li(Qi,θ')-Lavg)))-1;

其中,-γ表示调节任务难度对权重的敏感性超参数,Lavg表示所有任务的查询集上的平均损失,θ'表示模型在元任务Ti的支持集上经过一次梯度更新后的参数,Li(Qi,θ')表示元任务Ti在查询集Qi上的损失;

结合支持集的初步更新和查询集损失,通过各任务的动态权重wi执行全局参数更新;

通过多轮任务迭代,逐步优化深度对比学习模型;

所述输出工件的缺陷检测结果,具体步骤为,

将输入的工件图像转换为灰度图像,并进行标准化处理;

对标准化处理后的灰度图像,使用Canny边缘检测算法提取工件轮廓,生成感兴趣区域;

将提取出的工件感兴趣区域输入到Transformer编码器中,通过编码器提取输入工件的特征嵌入向量;

从样本库中调用预先优化好的正样本特征嵌入向量Zpos和负样本特征嵌入向量Zneg;

计算输入工件特征zinput与正样本特征嵌入向量Zpos的余弦相似度simpos;

计算输入工件特征zinput与负样本特征嵌入向量Zneg的余弦相似度simneg;

根据计算出的相似度,使用预设的阈值τ判断输入工件是否存在缺陷;

如果simpos<τ且simneg>τ,则判断工件存在缺陷,否则,判断为无缺陷。

2.如权利要求1所述的基于深度对比学习的缺陷检测方法,其特征在于:所述获取工业工件的原始图像数据,具体步骤为,通过工业相机采集高清工件图像,使用OpenCV读取采集到的图像文件,加载入内存进行处理;

检查读取的图像是否为RGB格式,如果图像不为RGB格式,则转换为RGB格式;

在确保图像为RGB格式后,进一步检查图像的尺寸,最终输出经过检查和规范化的工业工件的原始图像数据。

3.如权利要求2所述的基于深度对比学习的缺陷检测方法,其特征在于:所述形成标准化图像数据,具体步骤为,对经过检查和规范化的工业工件的原始图像数据的像素值进行归一化处理;

基于归一化后的图像,通过双边滤波进行去噪处理;

将去噪处理后的图像裁剪为包含工件的关键部分,同时保持裁剪后的图像尺寸大小一致,形成标准化图像数据。

4.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~3任一所述的基于深度对比学习的缺陷检测方法的步骤。

5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~3任一所述的基于深度对比学习的缺陷检测方法的步骤。