(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210285619.6 (22)申请日 2022.03.22 (71)申请人 聚时科技 （上海） 有限公司 地址 200090 上海市杨 浦区杨树浦路23 00 号3B层B02- 59室 (72)发明人 雷可　杨俊杰　郑军　 (74)专利代理 机构 襄阳蒲公英知识产权代理事 务所(普通 合伙) 42306 专利代理师 汤天鹏 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/40(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/80(2022.01) (54)发明名称 一种基于无监督深度学习算法的工业图像 缺陷检测方法 (57)摘要 本发明涉及图像处理技术领域， 尤其涉及一 种基于无监督深度学习算法的工业图像缺陷检 测方法， 包括如下步骤： S1、 首先通过预训练的深 度卷积网络提取没有缺陷的正常图像上的各个 不同尺度的特征； S2、 对得到的不同尺度的特征 通过设计的方式进行特征融合； S3、 对融合后的 特征通过随机投影的方法进行降维处理； S4、 对 降维后的特征进行特征选择； S5、 计算检测图像 特征和核心特征集合上各个特征之间的距离， 选 择与核心集中与其最近的特征， 将 两者之间的距 离作为检测图像特征图位置的异常分数。 本发明 简化了大量流程和时间， 对于新种类的产品的迁 移性能更好， 建模时间更短， 本申请中对图像上 的特征进行建模分析， 检测的鲁棒 性高。 权利要求书2页 说明书4页 附图4页 CN 114663391 A 2022.06.24 CN 114663391 A 1.一种基于无监督深度学习算法的工业图像缺陷检测方法， 其特征在于： 包括如下步 骤： S1、 首先通过预训练的深度 卷积网络提取没有缺陷的正常图像上的各个不同尺度的特 征； S2、 对得到的不同尺度的特征通过设计的方式进行特征融合， 设该融合特征图的宽为 w， 高为h， 特 征通道数为C， 输入的M张OK图像， 得到一个形状为[M,h,w,C]的特 征集合； S3、 对融合后的特征通过随机投影的方法进行降维处理， 在对特征降维后得到特征集 合的形状为[M,h,w,C1]， 其中C1<C； S4、 对降维后的特征进行特征选择， 选 取N个C1维特征， 使 其能尽量表达覆 盖初始特征集 合； S5、 计算检测图像特征和S4的核心特征集合上各个特征之间的距离， 选择与核心特征 集合最近的特征， 将两者之间的距离作为检测图像特征图位置的异常分数， 通过设定相关 阈值， 将大于该阈值的分数认为是异常区域， 并分割出来。 2.根据权利要求1所述的一种基于无监督深度学习算法的工业图像缺陷检测方法， 其 特征在于： 所述 步骤S1的具体流 程如下： S11、 使用XN表示输入所有正常图片 yx∈{0， 1}的数据集 合， 其中0表示 正常图片， 1表示异常图片； S12、 使用预训练网络 对输入图片进行特 征提取， 使用 表示对于XN 数据集中的任一图像xi∈XN， 由预训练网络φ提取 得到的第j层特 征。 3.根据权利要求1所述的一种基于无监督深度学习算法的工业图像缺陷检测方法， 其 特征在于： 所述 步骤S2中将融合后得到的特 征记为： 对于所有输入的正常图片数据集， 将提取 得到的特 征集合记做： 4.根据权利要求1所述的一种基于无监督深度学习算法的工业图像缺陷检测方法， 其 特征在于： 所述步骤S4中将上一步得到的形状为[M,h,w,C1]的初始特征集合重新组织为 [M*h*w,C1],将该特征集合看作M*h*w个C1维特征的集合， 具体步骤如下： S41、 定义 一个核心特 征集Coreset； S42、 从该初始集合中随机选取一个初始特征f， 将f放入核心特征集， 计算该特征与初 始集合中各个特征之间的欧式距离， 得到一个[M*h*w]的向量L， 该向量L表 示核心集合中的 特征与初始集合中各个特征的最小距离， 从初始特征集选择与f的欧式距离最大的特征f1 作为第二个选取 特征放入核心特 征集中； S43、 计算f1与初始集合中各个特征的距离， 若距离比向量L中在当前位置记录的距离 小， 则更新向量L在该位置的距离， 从更新后的L中选取与核心集合距离最远的特征f2加入权　利　要　求　书 1/2 页 2 CN 114663391 A 2核心集合， 重复N步共从初始特征集合中选取N个C1维特征加入核心特征集coreset， 记录选 取特征的序号， 从降维前的特征集合中选取该N个序号的特征集合， 该特征集合的形状为 [N,C]。 5.根据权利要求1所述的一种基于无监督深度学习算法的工业图像缺陷检测方法， 其 特征在于： 所述步骤S5中将待检测图像通过S1和S2的流程得到一个[h*w,C]维的图像特征， 计算该特征向量与S4选择的特征集合之间的各个特征的欧式距离， 得到一个[h*w,N] 的矩 阵， 在第二个维度N上选取最小值， 得到[h*w,1]的特征向量reshape为[h,w]的特征图像， 将 该特征图像resize到原始输入图像大小[H,W]， 将该图像各个位置上的数值作为输入图像 上各个像素点的异常得分， 数值越大表示离正常数据集中特征的距离越远， 也就表示异常 的可能性越大， 通过设定相关阈值， 将大于该阈值的分数认为是异常区域， 并分割出来。权　利　要　求　书 2/2 页 3 CN 114663391 A 3