一种物体缺陷检测方法、系统、设备及介质

本发明涉及人工智能领域，特别是涉及一种物体缺陷检测方法、系统、设备及介质。

背景技术：

1、缺陷检测是计算机视觉技术上非常重要的一个应用。近年来，深度学习在特征编码上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中。在工业勺子领域，由于勺子缺陷多种多样，很难收集完整缺陷样本。在此情况下，传统依赖于缺陷标签数据的监督类机器学习方法很难实现对缺陷特征的有效编码，无法适应工业勺子缺陷检测应用场景。

2、针对无正样本勺子缺陷检测问题，利用传统子空间聚类方法实现无监督聚类是一种常用手段，如ldakm、dec等方法。然而这些方法主要存在两个方面的问题：

3、1.这些方法采用降维与聚类单独优化方式，在此情形下，对于某一勺子图像，其最优降维投影矩阵不一定能够获取最优聚类结果，进而影响勺子缺陷检测效果。

4、2.这些方法使用固定的l2范式或是l2,1范式计算损失函数。l2范式为距离远的数据分配较大的权重，其对异常值较敏感。与之相反，l2,1范式会对高密度区域的数据分配更高权重，易忽略稀疏区域数据对模型优化的贡献。由于勺子图像的缺陷类型不确定，其数据分布不固定，导致该类方法很难达到较好聚类结果。因此，子空间聚类算法若不能有效解决以上两个问题，将严重影响勺子缺陷检测的效果。

技术实现思路

1、本发明的目的是提供一种物体缺陷检测方法、系统、设备及介质，通过结合深度神经网络和聚类算法的计算机视觉，实现缺陷的准确检测。

2、为实现上述目的，本发明提供了如下方案：

3、一种物体缺陷检测方法，所述方法包括：

4、获取目标图像集；所述目标图像集包括：检测区域内各目标物体的图像；

5、采用特征提取模型提取所述目标图像集的特征，获得图像特征集；所述特征提取模型采用机器学习的方法建立；

6、构建组稀疏约束的子空间聚类模型；所述子空间聚类模型包括：稀疏约束模型和聚类模型；

7、确定所述子空间聚类模型的目标函数和约束条件；所述约束条件为：对组稀疏约束矩阵采用按行约束的方式进行约束；所述目标函数是以聚类损失最小为目标构建的；所述聚类损失为所述子空间聚类模型的类内自适应范式误差；

8、采用迭代的方式，根据所述约束条件对所述目标函数进行求解，得到所述子空间聚类模型的最优参数值；所述最优参数值为所述聚类损失最小时对应的所述子空间聚类模型的模型参数的值；所述模型参数包括：子空间聚类的投影矩阵、聚类指标矩阵和聚类中心矩阵；

9、根据所述最优参数值确定所述子空间聚类模型的簇中心；

10、计算所述图像特征集与所述簇中心的距离，得到所述目标图像集中的各目标物体的缺陷检测分类结果；所述缺陷检测分类结果包括：有缺陷和无缺陷。

11、可选地，所述目标函数为：

12、

13、b＝[b1,b2]

14、其中，b为组稀疏约束矩阵；f为聚类指标矩阵；g为聚类中心矩阵；a为正交矩阵；t为转置变换；i为单位矩阵；at为矩阵a的转置变换；x为图像特征集；b1为稀疏约束的投影矩阵；||·||σ为自适应范式；||b||2，1为组稀疏约束矩阵的l2,1范式；σ是自适应因子；λ、α、β和γ均为用户指定的超参数，用于调节各模块重要性；b2为子空间聚类的投影矩阵。

15、可选地，所述特征提取模型的确定方法为：

16、获取训练数据；所述训练数据包括有缺陷的样本图像和无缺陷的样本图像；

17、将所述训练数据划分为训练集和验证集；

18、构建共享神经网络；

19、将所述训练集输入至所述共享神经网络，以所述共享神经网络输出的特征与所述训练数据的特征误差最小为目标，对所述共享神经网络中的参数进行训练，得到训练后的共享神经网络；

20、采用所述验证集对所述训练后的共享神经网络的参数进行调整，得到所述特征提取模型。

21、一种物体缺陷检测系统，所述系统包括：

22、目标图像集获取模块，用于获取目标图像集；所述目标图像集包括：检测区域内各目标物体的图像；

23、特征提取模块，用于采用特征提取模型提取所述目标图像集的特征，获得图像特征集；所述特征提取模型采用机器学习的方法建立；

24、模型构建模块，用于构建组稀疏约束的子空间聚类模型；所述子空间聚类模型包括：稀疏约束模型和聚类模型；

25、目标函数和约束条件确定模块，用于确定所述子空间聚类模型的目标函数和约束条件；所述约束条件为：对组稀疏约束矩阵采用按行约束的方式进行约束；所述目标函数是以聚类损失最小为目标构建的；所述聚类损失为所述子空间聚类模型的类内自适应范式误差；

26、参数求解模块，用于采用迭代的方式，根据所述约束条件对所述目标函数进行求解，得到所述子空间聚类模型的最优参数值；所述最优参数值为所述聚类损失最小时对应的所述子空间聚类模型的模型参数的值；所述模型参数包括：子空间聚类的投影矩阵、聚类指标矩阵和聚类中心矩阵；

27、簇中心确定模块，用于根据所述最优参数值确定所述子空间聚类模型的簇中心；

28、检测分类模块，用于计算所述图像特征集与所述簇中心的距离，得到所述目标图像集中的各目标物体的缺陷检测分类结果；所述缺陷检测分类结果包括：有缺陷和无缺陷。

29、可选地，所述目标函数为：

30、

31、b＝[b1,b2]

32、其中，b为组稀疏约束矩阵；f为聚类指标矩阵；g为聚类中心矩阵；a为正交矩阵；t为转置变换；i为单位矩阵；at为矩阵a的转置变换；x为图像特征集；b1为稀疏约束的投影矩阵；||·||σ为自适应范式；||b||2，1为组稀疏约束矩阵的l2,1范式；σ是自适应因子；λ、α、β和γ均为用户指定的超参数，用于调节各模块重要性；b2为子空间聚类的投影矩阵。

33、可选地，所述特征提取模块中的特征提取模型，具体包括：

34、训练数据获取子模块，用于获取训练数据；所述训练数据包括有缺陷的样本图像和无缺陷的样本图像；

35、划分子模块，用于将所述训练数据划分为训练集和验证集；

36、共享神经网络构建子模块，用于构建共享神经网络；

37、训练子模块，用于将所述训练集输入至所述共享神经网络，以所述共享神经网络输出的特征与所述训练数据的特征误差最小为目标，对所述共享神经网络中的参数进行训练，得到训练后的共享神经网络；

38、特征提取模型确定子模块，用于采用所述验证集对所述训练后的共享神经网络的参数进行调整，得到所述特征提取模型。

39、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述任意一项所述的物体缺陷检测方法。

40、一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的物体缺陷检测方法。

41、根据本发明提供的具体实施例，本发明公开了以下技术效果：

42、本发明实施例提供了一种物体缺陷检测方法、系统、设备及介质，采用特征提取模型提取目标图像集的特征，获得图像特征集；构建组稀疏约束的子空间聚类模型，并确定目标函数和约束条件；采用迭代的方式，根据约束条件对目标函数进行求解，得到子空间聚类模型在聚类损失最小时的模型参数的值；根据模型参数确定子空间聚类模型的簇中心后，计算图像特征集与簇中心的距离，得到目标图像集中的各目标物体的缺陷检测分类结果；由于特征提取模型采用机器学习的方法建立，并且缺陷检测分类是通过组稀疏约束的子空间聚类模型确定的；由于本发明通过将机器学习的方法和聚类算法的计算机视觉进行结合，能够避免了检测干扰，由此能够实现缺陷的准确检测。