本技術實施例涉及缺陷檢測，尤其涉及一種基于擴散模型的工業(yè)圖像數據增強及缺陷生成方法及系統(tǒng)。

背景技術：

1、隨著工業(yè)的發(fā)展，智能制造對產品質量控制提出了更高的要求。傳統(tǒng)的基于規(guī)則的手動檢測方法已經無法滿足現代生產線的速度與精度要求。自動化的質量檢測系統(tǒng)成為了必然選擇，而高質量的訓練數據是保證這些系統(tǒng)性能的關鍵因素之一。然而，在實際生產環(huán)境中，由于某些缺陷類型出現頻率低或是難以復現，導致可用于訓練的數據量不足，這限制了機器學習模型的有效性。因此，開發(fā)一種能夠高效生成包含各類潛在缺陷的工業(yè)圖像數據增強方法顯得尤為重要。

2、目前，工業(yè)圖像數據增強主要依賴于幾何變換（如旋轉、縮放、翻轉等）以及光照條件變化等方式來增加訓練集的多樣性。

3、對于缺陷檢測而言，通過合成技術向正常產品圖像中添加已知缺陷樣本，但這種方法通常受限于預定義的缺陷類型和外觀，缺乏靈活性和多樣性。

技術實現思路

1、本技術實施例提供一種基于擴散模型的工業(yè)圖像數據增強及缺陷生成方法及系統(tǒng)，用以解決現有技術中缺陷檢測缺乏靈活性和多樣性的問題。

2、第一方面，本技術實施例提供了一種基于擴散模型的工業(yè)圖像數據增強及缺陷生成方法，包括：

3、獲取原始工業(yè)圖像數據；

4、利用基于深度學習的擴散模型對所述原始工業(yè)圖像數據進行處理，以生成包含模擬缺陷的缺陷圖像數據；

5、通過所述擴散模型控制生成缺陷的屬性以調整所述缺陷圖像數據的分布特性；

6、根據所述缺陷圖像數據的分布特性，評估所述擴散模型的生成質量，所述生成質量用以指示所述擴散模型在不同噪聲水平下的生成模擬缺陷的能力；

7、根據所述生成質量調整所述擴散模型，并將獲取的當前工業(yè)圖像數據輸入調整后的擴散模型，通過調整后的擴散模型對所述當前工業(yè)圖像數據進行圖像增強或生成對應的圖像缺陷，以輸出目標工業(yè)圖像數據。

8、可選地，所述通過所述擴散模型控制生成缺陷的屬性以調整所述缺陷圖像數據的分布特性，包括：

9、分析所述缺陷圖像數據的分布規(guī)律；

10、收集所述分布規(guī)律數據并記錄；

11、其中，所述分析所述缺陷圖像數據的分布規(guī)律包括：

12、采用多尺度特征提取方法提取所述缺陷圖像數據的局部特征和全局特征；

13、應用高維空間映射技術將所述局部特征和所述全局特征映射到高維空間內，以增強所述局部特征和所述全局特征的表達能力；

14、利用自適應學習機制調整所述局部特征和所述全局特征的重要性權重，以確定所述缺陷圖像數據的分布規(guī)律。

15、可選地，所述利用基于深度學習的擴散模型對所述原始工業(yè)圖像數據進行處理，以生成包含模擬缺陷的缺陷圖像數據包括：

16、將所述原始工業(yè)圖像數據轉換為適用于所述擴散模型的輸入格式；

17、利用所述擴散模型，在所述原始工業(yè)圖像數據中添加隨機噪聲；

18、逐步去除所述原始工業(yè)圖像數據中隨機噪聲，并根據添加隨機噪聲與去除隨機噪聲的過程之間的差異，確定模擬缺陷，并根據所述模擬缺陷生成包含模擬缺陷的缺陷圖像數據；

19、其中，所述逐步去除所述原始工業(yè)圖像數據中隨機噪聲包括：按照預定的噪聲減少策略，逐步減少所述隨機噪聲，直至所述擴散模型生成的包含模擬缺陷的缺陷圖像數據與所述原始工業(yè)圖像數據的相似度滿足預設閾值；

20、所述噪聲減少策略包括：采用非均勻采樣策略，根據所述擴散模型的生成誤差動態(tài)調整噪聲減少的步長和頻率。

21、可選地，所述根據所述缺陷圖像數據的分布特性，評估所述擴散模型的生成質量，包括：

22、根據所述缺陷圖像數據的分布特性，計算所述擴散模型生成的缺陷圖像數據與真實缺陷圖像數據之間的相似度；

23、測量所述擴散模型的收斂速度；

24、計算所述擴散模型在生成缺陷圖像數據過程中的訓練時間；

25、測量所述擴散模型在生成缺陷圖像數據后恢復至穩(wěn)定狀態(tài)所需的恢復時間；

26、測量所述擴散模型生成的缺陷圖像數據所受的干擾變化，所述干擾變化至少包括特征向量場的散度、特征向量場的梯度以及特征向量場的拉普拉斯算子；

27、基于所述相似度、所述收斂速度、所述訓練時間、所述恢復時間以及所述干擾變化，通過生成質量計算公式，計算出所述擴散模型的生成質量；

28、其中，所述生成質量計算公式包括：

29、

30、其中，表示為所述擴散模型的生成質量，表示為所述擴散模型生成的第個缺陷圖像數據的特征向量，表示對應的真實缺陷圖像數據的特征向量，表示為所述擴散模型在生成所述第個缺陷圖像數據時的噪聲水平，表示為樣本數量，和分別表示特征向量場的散度、特征向量場的梯度的權重系數，表示特征向量場的散度，表示特征向量場的梯度，表示特征向量場的拉普拉斯算子，是拉普拉斯項的權重系數；

31、其中，用于衡量所述擴散模型生成的缺陷圖像數據與真實缺陷圖像數據之間的相似度，表示收斂速度，表示訓練時間，表示恢復時間，其中，，表示達到收斂所需的迭代次數，表示收斂速度、訓練時間以及恢復時間的權重系數，表示為一個小正數防止除零錯誤。

32、可選地，還包括：

33、通過公式：，計算所述擴散模型的生成時間穩(wěn)定性；

34、其中，表示生成時間穩(wěn)定性，表示生成第次迭代的持續(xù)時間，表示期望的迭代持續(xù)時間，是平滑性權重系數，表示迭代持續(xù)時間序列的平滑度；

35、基于所述擴散模型的生成時間穩(wěn)定性，修正所述生成質量；

36、其中，修正后的生成質量公式表示為：

37、其中，表示修正后的生成質量，表示生成時間穩(wěn)定性，表示一個介于0到1之間的權重系數，用來調整時間穩(wěn)定性對生成質量的影響程度。

38、可選地，所述利用基于深度學習的擴散模型對所述原始工業(yè)圖像數據進行處理，以生成包含模擬缺陷的缺陷圖像數據，還包括：

39、對所述原始工業(yè)圖像數據進行處理過程中，通過控制所述擴散模型中的噪聲水平變化速率，以生成包含模擬缺陷的缺陷圖像數據；

40、其中，所述控制所述擴散模型中的噪聲水平變化速率包括：通過設定噪聲變化的起始點、終點以及中間的轉折點來模擬非線性的噪聲變化路徑；通過公式：

41、，計算所述噪聲變化路徑的一致性；基于所述噪聲變化路徑的一致性調節(jié)所述擴散模型中的噪聲水平變化速率；

42、其中，表示噪聲變化路徑一致性，表示第j個轉折點的噪聲水平，表示初始噪聲水平，表示轉折點的數量，是一致性權重系數，表示噪聲水平變化的方差，是偏度項的權重系數，表示噪聲水平變化的偏度。

43、可選地，在所述根據所述生成質量調整所述擴散模型之后，還包括：

44、記錄調整后的擴散模型在不同噪聲水平下的生成效果；

45、分析所述生成效果中的缺陷發(fā)展情況，以確定所述擴散模型的生成能力；

46、其中，所述分析所述生成效果中的缺陷發(fā)展情況包括：記錄缺陷在不同噪聲水平下發(fā)展趨勢，所述發(fā)展趨勢至少包括缺陷的數量、大小、形狀及變化率；通過公式：，評估所述缺陷發(fā)展情況對應的復雜度；

47、其中，表示缺陷發(fā)展情況對應的復雜度，表示第k個缺陷的發(fā)展程度，表示真實缺陷的發(fā)展程度，表示缺陷數量，是復雜度權重系數，complexity表示缺陷發(fā)展的復雜性；

48、通過公式：，預測調整后的擴散模型在特定應用場景下的適應性；

49、其中，表示為適應性，表示為與模型復雜度相關的常數，表示為生成質量，表示為噪聲水平變化速率，表示為樣本數量，是另一個權重系數，entropy表示概率分布的熵，是魯棒性權重系數，robustness表示模型對擾動的魯棒性；

50、通過公式：，預測調整后的擴散模型在特定應用場景下的綜合性能；

51、其中，表示綜合性能，表示適應性，是綜合性能中適應性貢獻的比例，表示功能性評價，是可靠性權重系數，表示模型預測的可靠性。

52、第二方面，本技術實施例提供一種基于擴散模型的工業(yè)圖像數據增強及缺陷生成系統(tǒng)，包括：

53、獲取模塊，用于獲取原始工業(yè)圖像數據；

54、生成模塊，用于利用基于深度學習的擴散模型對所述原始工業(yè)圖像數據進行處理，以生成包含模擬缺陷的缺陷圖像數據；

55、調整模塊，用于通過所述擴散模型控制生成缺陷的屬性以調整所述缺陷圖像數據的分布特性；

56、評估模塊，用于根據所述缺陷圖像數據的分布特性，評估所述擴散模型的生成質量，所述生成質量用以指示所述擴散模型在不同噪聲水平下的生成模擬缺陷的能力；

57、處理模塊，用于根據所述生成質量調整所述擴散模型，并將獲取的當前工業(yè)圖像數據輸入調整后的擴散模型，通過調整后的擴散模型對所述當前工業(yè)圖像數據進行圖像增強或生成對應的圖像缺陷，以輸出目標工業(yè)圖像數據。

58、第三方面，本技術實施例提供了一種計算設備，包括處理組件以及存儲組件；所述存儲組件存儲一個或多個計算機指令；所述一個或多個計算機指令用以被所述處理組件調用執(zhí)行，實現如第一方面任一項所述的一種基于擴散模型的工業(yè)圖像數據增強及缺陷生成方法。

59、第四方面，本技術實施例提供了一種計算機存儲介質，存儲有計算機程序，所述計算機程序被計算機執(zhí)行時，實現如第一方面任一項所述的一種基于擴散模型的工業(yè)圖像數據增強及缺陷生成方法。

60、本技術實施例中，獲取原始工業(yè)圖像數據；利用基于深度學習的擴散模型對所述原始工業(yè)圖像數據進行處理，以生成包含模擬缺陷的缺陷圖像數據；通過所述擴散模型控制生成缺陷的屬性以調整所述缺陷圖像數據的分布特性；根據所述缺陷圖像數據的分布特性，評估所述擴散模型的生成質量，所述生成質量用以指示所述擴散模型在不同噪聲水平下的生成模擬缺陷的能力；根據所述生成質量調整所述擴散模型，并將獲取的當前工業(yè)圖像數據輸入調整后的擴散模型，通過調整后的擴散模型對所述當前工業(yè)圖像數據進行圖像增強或生成對應的圖像缺陷，以輸出目標工業(yè)圖像數據。本技術提供的技術方案能夠提升缺陷檢測的靈活性。

61、本技術的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。