CN116205876B 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 （合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)）

路5089号，中国科学技术大学先进技基于多尺度标准化流的无监督笔记本外观一种基于多尺度标准化流的无监督笔记本外观2步骤二、构造基于ResNet50网络和特征金字塔网络的多步骤三、构造基于多尺度标准化流网络的缺陷检测模型步骤三中构造的缺陷检测模型为由多个耦合块串联而成Y中的未知分布ργ映射到具有高斯分布ρZ的潜在空间Z：]＝z；特征张量,i=1,2,3;,沿通道维度进行均匀划分得到特征和先通过1*1的卷积扩张特征和的通道维度，再利用双线性插值上采样和跨步卷积下采样进行不同尺度特征之间的信息融合，最后分别按通道进行划分得到缩放参数s和偏S34：最后将特征和⃞2,i=1,2,3,按通道进行拼接得到2.根据权利要求1所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法，其33.根据权利要求1所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法，其4.根据权利要求3所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法，其5.根据权利要求1所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法，其6.根据权利要求5所述的基于多尺度标准化流的无监督笔记本外观缺陷检测方法，其A(x)＝1表示外观图像x为无缺陷外观图像，A(x)＝0表示外观图像x为有缺陷外观图4效率等问题。随着计算机技术的快速发展，基于机器视觉的AOI(AutomatedOptical算法在具有足够训练样本数据的条件下能实现高精度的检测，且不依赖于人工设计特征，[0011]步骤二、构造基于ResNet50网络和特征金字塔网络的多5[0014]具体地，步骤二中构造的多尺度特征提取网络模型包括ResNet50骨干网络；对骨干网络的初始参数在多尺度特征提取网络模型以及缺陷检测模型的训练过程中保持不变；训练数据输入ResNet50骨干网络，分别得到ResNet50骨干网络五个阶段Stage0、。M1换将特征空间Y中的未知分布ρY映射到具有高斯分布ρZ的潜]＝z；融合特征张量,i-1.2,3:,沿通道维度进行均匀划分得到特征和络首先通过1*1的卷积扩张特征和的通道维度，再利用双线性插值上采样和跨步卷积下采样进行不同尺度特征之间的信息融合，最后分别按通道进行划分得到缩放参数s6[0030]S34：最后将特征和⃞2,i=1,2,3,按通道进行拼接得到[0046]本发明中的多尺度特征提取网络模型以及多尺度标准化流网络的训练方法包括7[0049]S11：利用工业相机在笔记本电脑生产线上对笔记本电脑原始的外观图像进行采[0050]S12：对预处理后的外观图像进行划分，将大部分无缺陷外观图像归为训练数据过程中不变。输入Input经过ResNet50骨干网络，依次得到ResNet50网络的五个阶段。的识别与检测，但是各尺度特征的提取都需要缩放图像并且遍历一次完整的特征提取网方式将变换后的C3和上采样M4得到的特征图进行特征融合，最后在融合之后的特征图上使通过一个步长为2的3*3卷积对P1进行降采样，再通过单位加的方式将M2和P1降采样之后的8进行一次仿射可逆变换，经过一系列仿射可逆变换将特征空间Y中的未知分布ρY映射到具]＝z∈Z；[0061]使用置换注意力机制(ShuffleAttention)充分融合耦合块输入特征的视觉信息,网络首先通过1*1的卷积扩张输入特征的通道维度，再利用双线性插值上采样和跨步卷积下采样进行不同尺度特征之间的信息融合，最后分别按通道进行划分得到缩放参数s和偏Y9发明的有效性。将本发明的缺陷检测结果在图像级别的接受者操作特征曲线下面积(Area84.796.898.899.5略低于本发明中的缺陷检测方法；基于特征嵌入的Padim模型和基于对抗自编码器的[0079]