本技術涉及缺陷檢測，尤其涉及一種缺陷檢測方法、裝置、設備、介質和產(chǎn)品。

背景技術：

1、近年來，隨著人工智能技術的興起，基于深度學習的缺陷檢測模型得到了快速的發(fā)展。但是，在某些數(shù)據(jù)樣本較少的領域中，例如，在工業(yè)場景下，由于工業(yè)產(chǎn)品制件周期長，數(shù)據(jù)樣本不足，若采用該數(shù)據(jù)樣本訓練的缺陷檢測樣本進行缺陷檢測，會存在漏報風險。

2、在相關技術中，還可以采用特征遷移的方式對缺陷檢測模型進行預訓練，從而進行缺陷檢測。特征遷移是指利用在大數(shù)據(jù)集上，例如，imagenet數(shù)據(jù)集，訓練得到的模型權重，通過輔以各種特征變換策略，能夠利用較小代價獲取感興趣數(shù)據(jù)域(例如，工業(yè)領域)的特征表達。

3、但是，在實際應用中，imagenet數(shù)據(jù)集和工業(yè)領域數(shù)據(jù)存在較大的差距，大多使用底層特征作為工業(yè)數(shù)據(jù)的特征庫，但是高層特征的缺失，容易造成噪音敏感、誤報過多的情況，從而導致預訓練模型無法準確表征工業(yè)領域的數(shù)據(jù)特性。

技術實現(xiàn)思路

1、有鑒于此，本技術實施例提供了一種缺陷檢測方法、裝置、設備、介質和產(chǎn)品，旨在提升缺陷檢測的準確性。

2、本技術實施例的技術方案是這樣實現(xiàn)的：

3、第一方面，本技術實施例提供了一種缺陷檢測方法，所述方法包括：

4、獲取待檢測圖像樣本；

5、基于所述待檢測圖像樣本和第一特征遷移模型，生成所述待檢測圖像樣本的待檢測特征矩陣；

6、基于所述待檢測特征矩陣和第一標準特征矩陣集，生成第一異常矩陣，所述第一異常矩陣用于表征所述待檢測特征矩陣與第一標準特征矩陣集中每一標準特征矩陣的距離，所述第一標準特征矩陣集基于所述第一特征遷移模型生成；

7、基于所述第一異常矩陣，生成第二異常矩陣，所述第二異常矩陣用于表征所述待檢測特征矩陣與所述第一標準特征矩陣集的最大異常距離；

8、基于所述第二異常矩陣和異常距離閾值，確定所述待檢測圖像樣本的缺陷位置。

9、在一些實施例中，所述方法包括：

10、獲取多個標準圖像樣本；

11、基于各所述標準圖像樣本和所述第一特征遷移模型，生成各所述標準圖像樣本對應的第二標準特征矩陣；

12、基于聚類算法對各所述第二標準特征矩陣進行聚類，生成聚類結果；所述聚類結果包括一個或者多個簇；

13、基于所述一個或者多個簇的簇中心，生成所述第一標準特征矩陣集。

14、在一些實施例中，所述方法還包括：

15、獲取預訓練的第一圖像生成模型和訓練圖像樣本；

16、將特征疊加模塊、特征壓縮模塊和特征重構模塊嵌入至所述預訓練的第一圖像生成模型的特征輸出層，生成第二圖像生成模型的網(wǎng)絡結構，所述第二圖像生成模型用于輸出圖像生成結果；

17、基于所述訓練圖像樣本和所述第二圖像生成模型的網(wǎng)絡結構，訓練所述第二圖像生成模型，直至得到訓練好的第二圖像生成模型；

18、調整所述訓練好的第二圖像生成模型的網(wǎng)絡結構，生成所述第一特征遷移模型，所述第一特征遷移模型用于輸出圖像樣本的特征矩陣。

19、在一些實施例中，所述基于所述訓練圖像樣本和所述第二圖像生成模型的網(wǎng)絡結構，訓練所述第二圖像生成模型，直至得到訓練好的第二圖像生成模型，包括：

20、基于所述訓練圖像樣本和所述第一圖像生成模型的特征輸出層，提取所述訓練圖像樣本的一個或者多個層級特征；

21、基于所述第二圖像生成模型的特征疊加模塊對所述一個或者多個層級特征進行疊加，生成第一特征維度的特征矩陣；

22、基于所述第二圖像生成模型的特征壓縮模塊對所述第一特征維度的特征矩陣進行壓縮，生成第二特征維度的特征矩陣；

23、基于所述圖像重構模塊對所述第二特征維度的特征矩陣進行重構，生成重構后的圖像樣本；

24、基于所述重構后的圖像樣本、所述訓練圖像樣本和損失函數(shù)，訓練所述第二圖像生成模型，直至得到訓練好的第二圖像生成模型。

25、在一些實施例中，所述調整所述訓練好的第二圖像生成模型的網(wǎng)絡結構，生成所述第一特征遷移模型，生成所述第一特征遷移模型，包括：

26、刪除所述第二圖像生成模型的網(wǎng)絡結構中的特征重構模塊，生成所述第一特征遷移模型。

27、在一些實施例中，所述基于所述第一異常矩陣，生成第二異常矩陣，包括：

28、獲取所述第一異常矩陣的各行數(shù)據(jù)；

29、基于各所述行數(shù)據(jù)對應的最大值，生成所述第二異常矩陣。

30、在一些實施例中，所述基于所述第二異常矩陣和異常距離閾值，確定所述待檢測圖像樣本的缺陷位置，包括：

31、基于所述第二異常矩陣和異常距離閾值，生成第一缺陷矩陣；

32、基于所述待檢測圖像的尺寸信息對所述第一缺陷矩陣進行重組，生成第二缺陷矩陣，所述第二缺陷矩陣用于表征待檢測圖像樣本的缺陷位置。

33、第二方面，本技術實施例提供了一種缺陷檢測裝置，所述缺陷檢測裝置包括：

34、獲取模塊，用于獲取待檢測圖像樣本；

35、生成模塊，用于基于所述待檢測圖像樣本和第一特征遷移模型，生成所述待檢測圖像樣本的待檢測特征矩陣；基于所述待檢測特征矩陣和第一標準特征矩陣集，生成第一異常矩陣，所述第一異常矩陣用于表征所述待檢測特征矩陣與第一標準特征矩陣集中每一標準特征矩陣的距離，所述特征矩陣集基于所述第一特征遷移模型生成；基于所述第一異常矩陣，生成第二異常矩陣；所述第一異常矩陣和所述第二異常矩陣的矩陣維度不同；

36、確定模塊，用于基于所述第二異常矩陣和異常距離閾值，確定所述待檢測圖像樣本的缺陷位置。

37、第三方面，本技術實施例提供了一種電子設備，包括：處理器和用于存儲能夠在處理器上運行的計算機程序的存儲器，其中，所述處理器用于運行計算機程序時，執(zhí)行本技術實施例任一方面所述方法的步驟。

38、第四方面，本技術實施例提供了一種計算機存儲介質，所述計算機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)本技術實施例任一方面所述方法的步驟。

39、第五方面，本技術實施例還提供了一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序在被處理器執(zhí)行時，實現(xiàn)本技術實施例中任一方面所述的方法的步驟。

40、本技術實施例提供的技術方案，公開了一種缺陷檢測方法，該缺陷檢測方法包括：獲取待檢測圖像樣本；基于待檢測圖像樣本和第一特征遷移模型，生成待檢測圖像樣本的待檢測特征矩陣；基于待檢測特征矩陣和第一標準特征矩陣集，生成第一異常矩陣，第一異常矩陣用于表征待檢測特征矩陣與第一標準特征矩陣集中每一標準特征矩陣的異常距離，第一標準特征矩陣集基于第一特征遷移模型生成；基于第一異常矩陣，生成第二異常矩陣，第二異常矩陣用于表征待檢測特征矩陣與第一標準特征矩陣集的最大異常距離；基于第二異常矩陣和異常距離閾值，確定待檢測圖像樣本的缺陷位置。

41、本技術實施例不同于現(xiàn)有技術使用底層特征作為工業(yè)數(shù)據(jù)的特征庫，本技術實施例通過第一特征遷移模型提取待檢測圖像樣本的待檢測特征矩陣以及生成第一標準特征矩陣集，第一標準特征矩陣集中包括了圖像樣本的高級特征數(shù)據(jù)，并基于待檢測圖像樣本的待檢測特征矩陣與該第一標準特征矩陣集進行缺陷檢測，減少了因依賴底層特征而可能導致的漏報情況，提升了缺陷檢測的準確性，減少了漏報的風險。