基于多元高斯分布建模的无监督碗粥表面缺陷检测方法与流程
本发明涉及碗粥产品检测，特别涉及基于多元高斯分布建模的无监督碗粥表面缺陷检测方法。
背景技术：
1、在生产碗粥产品的工厂中，碗粥持续地通过流水线进行检测。然而，现行的检测流程主要依赖人工识别，即通过人工检测每一碗粥是否存在缺陷，并对碗粥表面的缺陷类型进行判断，这种方法无法实现对碗粥智能化的表面缺陷检测。为此，本发明针对碗粥表面缺陷检测方法展开研究，在碗粥输送过程中采集碗粥表面图像，检测碗粥表面瑕疵并进行缺陷识别、分析、统计；最后，通过控制系统对合格品和次品进行分批控制，并将所有检测结果反馈至生产系统。例如，碗粥表面缺陷分为“气泡”、“烫膜”、“异物”、“膜分层”、“膜不正”，无监督学习算法学习大量正常碗粥表面图片，当检测到带有缺陷的碗粥时，算法能够自动识别其与正常碗粥的差异，并进行精准定位。通过分析碗粥间缺陷形状的差异，系统能够对缺陷进行分类，并将分类结果反馈给生产系统。
2、不难发现，基于无监督学习的碗粥表面缺陷检测，不仅是对传统表面缺陷检测方法的一种改进，而且其智能化检测特性也显著提高了人机交互性。目前该研究主要存在以下两个挑战：
3、(1)数据层面。无监督学习技术的进一步研究中，数据至关重要。首先，建立一个既庞大又高质量的数据集是支持模型训练和性能验证的关键。这些数据集必须涵盖多种表面缺陷类型和不同的复杂程度，确保模型具备全面的学习和泛化能力。同时，应考虑在不同环境条件下的表面缺陷图像，以增强模型在实际应用中的鲁棒性。另一个重要方面是数据标注。手动标记表面缺陷图像是一项繁琐且时间紧张的任务，通常需要专业人员的介入。在实际应用中，标注的复杂性可能进一步增加，因为表面缺陷的严重程度和种类各异。因此如何更有效地识别碗粥的缺陷以及如何对识别出的碗粥表面缺陷进行精准分类，是非常具有挑战性的。
4、(2)模型层面。一方面存在特征粒度过细的问题。简单的无监督学习模型通常倾向于学习非常细粒度的特征，这可能导致不必要的噪声或过于复杂的情况影响模型的学习。另一方面是正样本的需求过多。在有监督学习中，模型通常需要大量的正样本来训练以确保其性能。然而，在表面缺陷检测这一领域，获取足够多的正样本可能会很具挑战性，特别是对于一些不常见或复杂的表面缺陷类型。这可能导致模型的泛化性能不佳，因为它没有足够多的正样本来覆盖各种情况。考虑到这些模型层面的挑战，研究应着重于模型架构的改进，以更好地适应表面缺陷检测任务的特性，同时减少数据需求并提升特征表示的效率，进而提高表面缺陷检测技术的性能和实用性。
技术实现思路
1、本发明的目的在于至少解决现有技术中存在的技术问题之一，提供基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，能够解决背景技术的问题。
2、为实现上述目的，本发明提供如下技术方案：基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，包括以下步骤：
3、s1：碗粥图像预处理，针对处理后的图像进行特征提取；
4、特征提取的具体步骤包括：加载预训练的多元高斯分布无监督学习模型；
5、设置中间特征层的输出，注册钩子函数，提取模型中不同层的特征；
6、加载数据集并遍历数据，用模型提取特征，将特征存储在字典中；
7、对提取的特征进行嵌入层拼接和随机选择，最终形成嵌入向量；
8、计算嵌入向量的均值和协方差矩阵，用于构建多元高斯分布；
9、s2：构建多元高斯分布建模与异常检测，实现无监督的碗粥表面缺陷检测；
10、构建缺陷检测流程和图像分析的具体步骤包括：
11、加载预训练多元高斯分布无监督学习模型、协方差矩阵、均值和逆矩阵；
12、利用预训练的多元高斯分布无监督学习模型作为特征提取器，并定义了一个高斯模糊层；
13、利用多元高斯分布无监督学习模型中提取的特征，拼接特征，计算马氏距离，生成异常图；
14、利用图像分析，计算得分图、生成二值掩码、4x4卷积到掩码、连接区域，得到缺陷框的坐标；
15、利用xml文件获取的真实标注框，绘制图像，生成得分图。
16、s3：利用碗粥图片中的各类缺陷进行分类，对检测结果进行可视化呈现，加强可解释性。
17、优选的，所述基于多元高斯分布无监督模型，进行预训练，并定义一个高斯模糊层；利用从多元高斯分布无监督模型中提取的特征，构建缺陷检测流程和图像分析。
18、优选的，所述高斯模糊的具体步骤包括：
19、根据标准差值计算内核大小，在2d中执行高斯模糊；
20、构建高斯内核的标准差，归一化内核，使用计算的高斯内核对输入进行模糊处理；
21、根据填充类型和填充大小，适应不同缺陷检测场景。
22、优选的，所述实现高斯模糊，内核在前向传递过程中不会计算，也不依赖于输入大小，需在初始化时提供期望的通道数。
23、与现有技术相比，本发明的有益效果是：
24、(1)、该基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，首次提出了基于多元高斯分布的无监督学习模型，并将其应用于碗粥流水产线的表面缺陷检测。与传统模型相比，它有效提高了异常检测的准确性和效率，无需标注数据，能自动学习并识别图像特征。利用预训练模型自主提取关键特征，简化了处理流程，且对新型或未知缺陷具有更强的适应性。
25、(2)、该基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，创新性地运用多元高斯分布来设定图像处理阶段的高斯模糊层，通过降噪和平滑图像，将输入图像的特征与训练数据的分布进行比较，能够精确识别出图像表面的异常区域，进一步提高了碗粥表面缺陷检测的准确性和鲁棒性，对提升产品质量和降低不合格率具有重要作用。
26、(3)、该基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，通过对各种缺陷的分类和检测结果的可视化呈现，使操作人员能够直观地了解缺陷的位置和程度。这种综合的方法不仅实现了高效的碗粥表面缺陷检测，还显著提高了检测效率，降低了企业用人成本，同时规范了检测标准，减少了经验依赖，为企业提供了更可靠的生产控制手段。
技术特征：
1.基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，其特征在于：所述基于多元高斯分布无监督模型，进行预训练，并定义一个高斯模糊层；利用从多元高斯分布无监督模型中提取的特征，构建缺陷检测流程和图像分析。
3.根据权利要求2所述的基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，其特征在于：所述高斯模糊的具体步骤包括：
4.根据权利要求3所述的基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，其特征在于：所述实现高斯模糊，内核在前向传递过程中不会计算，也不依赖于输入大小，需在初始化时提供期望的通道数。
技术总结
本发明公开了基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，涉及碗粥产品检测技术领域，该基于多元高斯分布建模的无监督碗粥表面缺陷检测方法，包括以下步骤：S1：碗粥图像预处理，针对处理后的图像进行特征提取；特征提取的具体步骤包括：加载预训练的多元高斯分布无监督学习模型；设置中间特征层的输出，注册钩子函数，提取模型中不同层的特征；首次提出了基于多元高斯分布的无监督学习模型，并将其应用于碗粥流水产线的表面缺陷检测。与传统模型相比，它有效提高了异常检测的准确性和效率，无需标注数据，能自动学习并识别图像特征。利用预训练模型自主提取关键特征，简化了处理流程，且对新型或未知缺陷具有更强的适应性。
技术研发人员：李玉涛,王磊,陈云朋,王子逢,李宏鹏,韩建辉,来博文,刘立环
受保护的技术使用者：河钢数字技术股份有限公司
技术研发日：
技术公布日：2024/9/23