本技术提出了一种利用贝叶斯条件扩散模型进行表面缺陷检测的方法和相关设备。该方法涉及创建训练和测试数据集,并开发了一个基于条件扩散模型的不确定性感知工业产品表面缺陷检测模型。
背景技术
近年来,随着计算机视觉和深度学习等领域的新技术层出不穷, 基于视觉的工业缺陷检测技术已经成为了针对产品外观质检的一种有效的解决方案。但在自动驾驶、人脸识别、医学影像检测、高端装备缺陷检测等安全敏感的领域中,需要模型在给出预测时,还能给出鲁棒的、有效的不确定性估计,方便后续进一步的处理。
其中基于无监督设置的深度学习方法仅需要易于获取的正常样本用于模型训练,不仅能解决有监督深度学习方法无法发现未知缺陷的问题,而且拥有比传统方法更强的对图像特征的表达能力(罗东亮,蔡雨萱,杨子豪,等.工业缺陷检测深度学习方法综述[J].中国科学:信息科学,2022,52(6):1002-1039.),因此得到了广泛的研究。扩散模型作为一种生成式模型,近年来在视觉领域取得了显著进展,为无监督工业缺陷检测提供了新的解决思路。扩散模型通过逐步对图像添加噪声并学习去噪过程,可以有效地建模正常样本的分布,通过生成高质量的正常样本与输入样本对比捕获更丰富的图像细节,有助于提升缺陷检测的准确性。
不确定性估计的方法主要包括证据方法、贝叶斯方法和集成方法。证据方法通过建模输出的先验分布来推断不确定性,计算速度快,节省计算资源。集成方法则通过多个模型的预测结果来估计不确定性,利用不同模型在相同任务上的多样化表现来增加稳健性。贝叶斯方法通过对模型参数引入概率分布,预测参数的的后验分布,从而分别捕捉输出结果的模型和数据不确定性。
实现思路