本發(fā)明涉及工業(yè)缺陷檢測，具體而言，涉及一種未知工業(yè)缺陷檢測方法、系統(tǒng)、設備及存儲介質。

背景技術：

1、工業(yè)缺陷檢測是現(xiàn)代制造業(yè)至關重要的環(huán)節(jié)，其主要的目的是通過采用自動化手段識別和定位產品的各種缺陷，確保產品質量和生產效率。隨著全球市場競爭的加劇以及消費者對高質量產品需求的不斷增加，工業(yè)缺陷檢測已經成為企業(yè)提高競爭力、降低成本以及滿足嚴格質量標準的關鍵手段。

2、隨著深度學習和大數(shù)據(jù)分析能力的提升，人工智能技術（ai技術）在工業(yè)缺陷檢測領域展現(xiàn)出巨大的潛力。首先，人工智能系統(tǒng)通過視覺識別實現(xiàn)對產品外觀的自動檢測。即利用卷積神經網絡（cnn網絡）等深度學習算法，人工智能系統(tǒng)可以對生產線上的產品進行高速拍照，并且準確識別各種外觀缺陷。相比于傳統(tǒng)的人工目視檢測，人工智能系統(tǒng)能夠實現(xiàn)持續(xù)不間斷的自動檢測，極大提高生產效率和產品質量。其次，基于機器學習模型的缺陷分類技術使得人工智能系統(tǒng)能夠區(qū)分各種不同類別的缺陷，并且為后續(xù)的生產過程提供及時的反饋和調整建議，通過對大量的缺陷樣本進行訓練，使得人工智能系統(tǒng)可以逐漸提高識別準確度，并且對新出現(xiàn)的缺陷進行快速響應，從而最大限度減少次品率。

3、總體而言，人工智能系統(tǒng)在工業(yè)缺陷檢測方面的應用不斷擴展和深化，為制造業(yè)帶來了更加高效、精準的質量控制手段，但是工業(yè)檢測目前仍難以針對未見過的缺陷進行合理有效的檢測，此類缺陷常常被模型誤檢為已知缺陷，進而影響工廠生產。

技術實現(xiàn)思路

1、為了解決現(xiàn)有工業(yè)缺陷檢測時對未知工業(yè)缺陷容易出現(xiàn)誤檢的問題，本發(fā)明實施例提供一種未知工業(yè)缺陷檢測方法、系統(tǒng)、設備及存儲介質。

2、在第一方面，本發(fā)明實施例中提供一種未知工業(yè)缺陷檢測方法，所述方法包括以下步驟：

3、獲取原始工業(yè)圖像，并且對原始工業(yè)圖像進行預處理；

4、將預處理的原始工業(yè)圖像輸入工業(yè)缺陷檢測模型進行目標檢測，以判定原始工業(yè)圖像表面是否存在未知工業(yè)缺陷；

5、所述工業(yè)缺陷檢測模型包括目標檢測層，其中，所述目標檢測層包括全局池化分支、全連接分支以及結果匯總分支；

6、所述全局池化分支根據(jù)相似度計算獲取原始工業(yè)圖像局部特征與已知工業(yè)缺陷的特征相似度；

7、所述全連接分支根據(jù)置性度計算獲取原始工業(yè)圖像局部特征與已知工業(yè)缺陷的類別置信度；

8、所述結果匯總分支根據(jù)原始工業(yè)圖像局部特征與已知工業(yè)缺陷的特征相似度和類別置信度判定表面是否存在未知工業(yè)缺陷。

9、于上述實施例中，本發(fā)明通過對工業(yè)缺陷檢測模型的結構以及功能進行改進，使得改進之后的工業(yè)缺陷檢測模型能夠對未知工業(yè)缺陷進行檢測，通過聚類分析和目標檢測相結合的方式，成功緩解了未知缺陷漏檢的問題。

10、作為本技術一些可選實施方式，所述工業(yè)缺陷檢測模型包括串行設置的輸入層、卷積層、池化層、目標檢測層以及輸出層，所述目標檢測層包括并行設置的全局池化分支、全連接分支以及與全局池化分支、全連接分支串行設置的結果匯總分支。

11、于上述實施例中，本發(fā)明的工業(yè)缺陷檢測模型是在傳統(tǒng)的cnn模型的基礎上進行改進，將原有cnn模型的全連接層改進為目標檢測層，使得工業(yè)缺陷檢測模型具備未知工業(yè)缺陷檢出的能力。

12、作為本技術一些可選實施方式，將預處理的原始工業(yè)圖像輸入工業(yè)缺陷檢測模型進行目標檢測之前，需要對工業(yè)缺陷檢測模型進行模型訓練。

13、于上述實施例中，本發(fā)明通過對工業(yè)缺陷檢測模型進行模型訓練，使得工業(yè)缺陷檢測模型獲取所有已知缺陷類別的全局池化特征，以便于后續(xù)進行特征相似度和類別置信度的計算。

14、作為本技術一些可選實施方式，對工業(yè)缺陷檢測模型進行模型訓練的流程如下：

15、獲取原始工業(yè)圖像，并且對原始工業(yè)圖像進行預處理和缺陷類別標注；

16、將缺陷類別標注的原始工業(yè)圖像輸入工業(yè)缺陷檢測模型進行模型訓練，以獲取所有已知缺陷類別的全局池化特征。

17、于上述實施例中，本發(fā)明通過對工業(yè)缺陷檢測模型的結構以及功能進行改進，使得改進之后的工業(yè)缺陷檢測模型能夠對未知工業(yè)缺陷進行檢測，通過聚類分析和目標檢測相結合的方式，成功緩解了未知缺陷漏檢的問題，為工業(yè)生產中的缺陷檢測帶來了更高的準確性和可靠性，具有重要的實際應用價值和推廣前景。

18、作為本技術一些可選實施方式，所述全局池化分支根據(jù)相似度計算獲取原始工業(yè)圖像局部特征與已知工業(yè)缺陷的特征相似度的流程如下：

19、獲取原始工業(yè)圖像的局部池化特征；

20、分別計算原始工業(yè)圖像的局部池化特征與所有已知缺陷類別的全局池化特征的相似度，以得到原始工業(yè)圖像的局部池化特征對應每個已知缺陷類別的特征相似度。

21、于上述實施例中，本發(fā)明通過特征群落相似度計算的方式獲取未知缺陷判定的一個指標參數(shù)。

22、作為本技術一些可選實施方式，所述全連接分支根據(jù)置性度計算獲取原始工業(yè)圖像局部特征與已知缺陷類別的類別置信度的流程如下：

23、獲取原始工業(yè)圖像的局部池化特征；

24、對原始工業(yè)圖像的局部池化特征進行特征分類，以得到缺陷分類結果；

25、對缺陷分類結果進行歸一化處理，以得到原始工業(yè)圖像的局部池化特征對應每個已知缺陷類別的類別置信度。

26、于上述實施例中，本發(fā)明通過方差排除的方式獲取未知缺陷判定的另一個指標參數(shù)。

27、作為本技術一些可選實施方式，所述結果匯總分支根據(jù)原始工業(yè)圖像局部特征與已知工業(yè)缺陷的特征相似度和類別置信度判定表面是否存在未知工業(yè)缺陷的流程如下：

28、對原始工業(yè)圖像局部特征與已知工業(yè)缺陷的特征相似度和類別置信度進行綜合檢測；

29、基于相似度閾值，對原始工業(yè)圖像的局部池化特征對應每個已知缺陷類別的相似度值進行匹配校驗，并且根據(jù)匹配校驗結果輸出相應的相似度判定結果；

30、基于置信度閾值，對原始工業(yè)圖像的局部池化特征對應每個已知缺陷類別的類別置信度進行方差校驗，并且根據(jù)方差校驗結果輸出相應的置信度判定結果；

31、基于綜合判定規(guī)則，對相似度判定結果和置信度判定結果進行綜合判定，并且根據(jù)綜合判定結果輸出原始工業(yè)圖像表面是否存在未知工業(yè)缺陷。

32、于上述實施例中，本發(fā)明綜合校驗的方式對未知缺陷將進行判定，使得缺陷判定準確率更高，能夠有效防止出現(xiàn)錯檢的情況。

33、在第二方面，本發(fā)明提供一種未知工業(yè)缺陷檢測系統(tǒng)，所述系統(tǒng)包括：

34、圖像獲取單元，所述圖像獲取單元用于獲取原始工業(yè)圖像，并且對原始工業(yè)圖像進行預處理；

35、目標檢測單元，所述目標檢測單元用于將預處理的原始工業(yè)圖像輸入工業(yè)缺陷檢測模型進行目標檢測，以判定原始工業(yè)圖像表面是否存在未知工業(yè)缺陷；

36、所述工業(yè)缺陷檢測模型包括目標檢測層，其中，所述目標檢測層包括全局池化分支、全連接分支以及結果匯總分支；

37、所述全局池化分支根據(jù)相似度計算獲取原始工業(yè)圖像局部特征與已知工業(yè)缺陷的特征相似度；

38、所述全連接分支根據(jù)置性度計算獲取原始工業(yè)圖像局部特征與已知工業(yè)缺陷的類別置信度；

39、所述結果匯總分支根據(jù)原始工業(yè)圖像局部特征與已知工業(yè)缺陷的特征相似度和類別置信度判定表面是否存在未知工業(yè)缺陷。

40、在第三方面，本發(fā)明提供一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述一種未知工業(yè)缺陷檢測方法。

41、在第四方面，本發(fā)明提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述一種未知工業(yè)缺陷檢測方法。

42、本發(fā)明的有益效果如下：本發(fā)明通過對工業(yè)缺陷檢測模型的結構以及功能進行改進，使得改進之后的工業(yè)缺陷檢測模型能夠對未知工業(yè)缺陷進行檢測，通過聚類分析和目標檢測相結合的方式，成功緩解了未知缺陷漏檢的問題，為工業(yè)生產中的缺陷檢測帶來了更高的準確性和可靠性，具有重要的實際應用價值和推廣前景。