基于缺陷检测的工业图像临界压缩率智能分析系统及方法与流程

[0001]
本发明涉及工业图像缺陷检测技术领域，特别是涉及一种基于缺陷检测的工业图像临界压缩率智能分析系统及方法。


背景技术：

[0002]
工业流水线在金属等制品的生产过程中，有可能会因为操作不当或者机器运作误差等因素造成金属制品上形成划痕、擦伤等表面缺陷，因此对工业制品的完好度检测已成为产品可合格出厂的必检项目之一。传统上，工业制品表面的缺陷检测主要采用人工目测的方式进行，这种方式不仅耗时耗力，并且质检员长时间重复这种用眼过度的工作很容易产生视觉疲劳，造成缺陷检测效率的低下以及正确率的不确定性。现有的大多数缺陷检测系统采用在空间域进行处理的方式，比对待检测产品图像和标准无缺陷图像是否一致从而判断是否存在缺陷，但这种方法计算量大且实时性差，考虑到工业流水线的生产车间明亮，背景环境不复杂，生产的产品类型较为固定，形状规则统一，因此适合用深度学习中目标检测的方法在线自动检测产品表面的缺陷。基于深度学习和图像处理算法的工业制品表面缺陷检测方案已经在各个行业有许多应用实例。早期的基于深度学习的目标检测算法，如r-cnn和fast r-cnn，使用选择型搜索来缩小必须测试的边界框的数量，另一种overfeat的方法是通过卷积的计算滑动窗口，从多个尺度上对图像进行扫描，然而，yolo解决目标检测问题是采用完全不同的解决办法，它将图像进行神经网络的一次性正向处理。ssd是另一种将图像进行神经网络一次性正向处理的方法，但是yolov3比ssd实现了更高的精度，同时又能保证很快的计算速度。
[0003]
随着计算机科技的高速发展，传统的工业已经迈向工业智能化发展，各种数字成像技术与网络技术相结合，使得数字化的工业产品图像需要被大量存储及通过网络传输，但实际采集的原始工业图像数据量庞大，需要占用很大的存储量和传输通道，考虑到传输网络通道的容量不够，以及数据量庞大所带来的时间成本和计算成本过高，同时为最大程度上保留工业图像的高分辨率和有效信息，因而在对工业图像进行缺陷检测之前先对图像进行压缩，在保证图像质量的前提下，用最少的比特数完成图像数据的存储和传输，就能实现网络的高效传输和处理。
[0004]
图像压缩率的改变，必然会产生图像质量的变化，现有的无参考图像质量评价算法brisque能够较好的与人的主观感受相对应，但是现有的brisque算法仅适用于自然图像，自然图像的统计特征与工业图像存在较大差异，因此，需要在工业数据集上重新训练brisque算法中的svm分类器才能对不同压缩率的工业图像的进行质量评分。
[0005]
图像压缩得越多，对节省网络带宽和信道容量越有利，但是当压缩到一定程度后，图像中有效信息损失过多，深度学习中目标检测算法因为数据集质量的受损产生严重影响，从而检测精度大幅度下降，因此需要确定一个压缩率标准，以供网络传输中工业图像缺陷检测任务选择最合适的压缩率(即临界值)，能同时兼顾网络传输效率和缺陷检测精度。


技术实现要素：

[0006]
本发明的目的是提供基于缺陷检测的工业图像临界压缩率智能分析系统及方法，以解决现有技术中存在的技术问题，能够在节省网络带宽的同时，有效保证压缩图像能够在缺陷检测任务中取得良好的准确率。
[0007]
为实现上述目的，本发明提供了如下方案：本发明提供基于缺陷检测的工业图像临界压缩率智能分析系统，包括：图像采集系统、图像处理系统、图像压缩系统、缺陷检测网络系统、无参考图像质量评分系统、用于缺陷检测的压缩图像评分系统；所述图像采集系统、图像处理系统、图像压缩系统依次连接，所述图像压缩系统分别与所述缺陷检测网络系统、无参考图像质量评分系统连接，所述缺陷检测网络系统、无参考图像质量评分系统分别与所述用于缺陷检测的压缩图像评分系统连接；
[0008]
所述图像采集系统用于采集工业图像；
[0009]
所述图像处理系统用于对所述图像采集系统采集的工业图像进行数据扩充处理；
[0010]
所述图像压缩系统用于对所述图像处理系统扩充处理后的工业图像数据按照预设压缩率进行压缩；
[0011]
所述缺陷检测网络系统联合yolov3网络和特征金字塔网络fpn对所述图像压缩系统压缩后的工业图像数据进行缺陷检测，得到不同压缩率下工业图像中各类别物体的平均识别准确率；
[0012]
所述无参考图像质量评分系统采用brisque算法对所述图像压缩系统压缩后的工业图像数据进行质量评分，得到不同压缩率下的质量评分结果；
[0013]
所述用于缺陷检测的压缩图像评分系统用于根据不同压缩率下工业图像中各类别物体的平均识别准确率，以及不同压缩率下的质量评分结果，获取工业图像压缩率的临界值。
[0014]
优选地，所述图像处理系统对工业图像数据进行扩充处理的方法包括：高斯模糊、锐化、亮度调节，色度调节、旋转操作。
[0015]
优选地，所述图像压缩系统压缩前后，工业图像内存缩小，尺寸大小和分辨率保持不变。
[0016]
优选地，所述用于缺陷检测的压缩图像评分系统获取工业图像压缩率的临界值的具体方法包括：
[0017]
图像压缩率指标compress_ap如下式所示：
[0018][0019]
式中，map为工业图像中各类别物体的平均识别准确率，quality为工业图像的质量评分；其中，compress_ap取得极大值时对应的图像压缩率为工业缺陷检测任务所需的临界值。
[0020]
本发明还提供基于缺陷检测的工业图像临界压缩率智能分析方法，包括如下步骤：
[0021]
采集工业图像，并对采集的工业图像进行数据扩充处理；
[0022]
按照不同压缩率对数据扩充处理后的工业图像数据进行压缩，并根据压缩率将压缩后的工业图像数据分成若干组训练集和测试集；
[0023]
采用yolov3网络和fpn对压缩后的工业图像进行缺陷识别，并计算不同压缩率下工业图像中各类别物体的平均识别准确率；
[0024]
采用brisque算法对压缩后的工业图像进行质量评分；
[0025]
基于不同压缩率下工业图像中各类别物体的平均识别准确率、不同压缩率下工业图像的质量评分，获取工业图像压缩率的临界值。
[0026]
优选地，所述对采集的工业图像进行数据扩充处理的具体方法包括：采用高斯模糊、锐化、亮度调节，色度调节、旋转操作对工业图像进行数据扩充处理。
[0027]
优选地，对压缩后的工业图像进行缺陷识别的具体方法包括：
[0028]
对训练集和测试集中的工业图像分别进行尺寸调整，并将调整后的工业图像划分为13
×
13个网格；
[0029]
采用yolov3网络中的darknet-53对网格划分后的训练集中的工业图像进行n次下采样，n≥3，每次下采样后，通过yolov3网络中的yolo层对下采样后的工业图像进行特征提取，得到下采样后浅层的特征图；
[0030]
采用yolov3网络中的dbl对浅层的特征图进行学习，得到深层的特征图；
[0031]
对深层的特征图进行上采样，采用fpn将上采样后深层的特征图与相应大小的浅层的特征图进行迭代融合，得到若干种不同尺度的特征图；
[0032]
通过不同尺度的特征图分别对测试集工业图像中不同尺寸的目标物体进行预测，并采用若干个独立的逻辑分类器分别计算目标物体属于各类别的概率大小，得到不同压缩率下工业图像中各类别物体的平均识别准确率。
[0033]
优选地，采用fpn将深层的特征图与浅层的特征图进行迭代融合的具体方法包括：
[0034]
1)对深层的特征图进行上采样，并将上采样后的深层的特征图与倒数第二次下采样得到的浅层的特征图相加；
[0035]
2)将相加后的特征图进行上采样，并与倒数第三次下采样得到的浅层的特征图相加，经过迭代融合，共得到三种不同尺度的特征图。
[0036]
优选地，采用brisque算法对压缩后的工业图像进行质量评分的具体方法包括：
[0037]
1)分别提取工业图像空间域亮度均值减损对比归一化系数mscn的广义高斯分布ggd模型参数及其四方向邻域mscn系数的非对称广义高斯分布aggd模型参数作为特征向量的前18个元素；其中，四方向为水平、竖直、主对角、二次对角方向；
[0038]
2)将测试集工业图像的尺寸缩小至一半，重复步骤1)，得到特征向量的后18个元素；
[0039]
3)将训练集中所有工业图像的特征向量和对应的质量评分送入brisque算法中的svm进行训练，得到训练好的工业图像质量评估模型；
[0040]
4)提取测试集工业图像的特征向量，并采用训练好的工业图像质量评估模型进行质量评分预测，得到不同压缩率下工业图像的质量评分。
[0041]
优选地，使用5个参数计算特征向量的前18个元素，具体包括：
[0042]
首先，将mscn系数拟合到ggd模型来计算特征向量的前2个元素；
[0043]
其次，用aggd模型拟合四方向邻域mscn系数的形状、均值、左方差和右方差作为统计特征，即为特征向量的另外16个元素。
[0044]
本发明公开了以下技术效果：
[0045]
(1)本发明采用yolov3网络对工业图像进行特征提取，并采用fpn对深层的特征图与浅层的特征图进行融合，得到不同尺度的特征图，采用多尺度的特征图对不同尺寸的目标物体进行识别，越精细的网格就能够检测出越精细的物体，实现了对工业质检过程中工业制品表面缺陷的有效检测，有效提高了缺陷检测的准确率，实现工业质检的智能化；
[0046]
(2)本发明采用工业图像对brisque算法中的svm分类器进行训练，使得brisque算法能够对工业图像进行无参考质量评估，从而能够根据图像压缩率的改变自动给出相应的质量评分，提高了工业图像质量评分的准确率及智能化；
[0047]
(3)通过不同压缩率下缺陷检测的准确率及图像无参考质量评分，设计压缩率压缩评价指标，并自动求得工业图像压缩率的临界值，其中压缩率评价指标综合权衡缺陷检测准确率以及图像图参考质量评分，能够在节省网络带宽的同时，有效保证压缩图像能够在缺陷检测任务中取得良好的准确率。
附图说明
[0048]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1为本发明基于缺陷检测的工业图像临界压缩率智能分析系统结构示意图；
[0050]
图2为本发明基于缺陷检测的工业图像临界压缩率智能分析方法流程图；
[0051]
图3为本发明实施例中图像处理系统框图；
[0052]
图4为本发明实施例中缺陷检测网络系统测试结果；
[0053]
图5为本发明实施例中brisque算法中svm训练流程图；
[0054]
图6为本发明实施例中用于缺陷检测的压缩图像评分系统工作流程图。
具体实施方式
[0055]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0057]
参照图1所示，本实施例提供基于缺陷检测的工业图像临界压缩率智能分析系统，包括：图像采集系统、图像处理系统、图像压缩系统、缺陷检测网络系统、无参考图像质量评分系统、用于缺陷检测的压缩图像评分系统；所述图像采集系统、图像处理系统、图像压缩系统依次连接，所述图像压缩系统分别与所述缺陷检测网络系统、无参考图像质量评分系统连接，所述缺陷检测网络系统、无参考图像质量评分系统分别与所述用于缺陷检测的压缩图像评分系统连接。
[0058]
所述图像采集系统用于采集工业图像，即工业产品的图像；所述图像采集系统采用工业摄像机，所述工业摄像机架设在工业流水线上；通过网络连接的方式将所述工业摄
像机采集到的工业图像传输至所述图像处理系统。
[0059]
所述图像处理系统用于对所述图像采集系统采集的工业图像进行数据扩充处理，并将扩充处理后的工业图像数据传输至所述图像压缩系统；所述数据扩充处理的方法包括：高斯模糊、锐化、亮度调节，色度调节、旋转操作，如图3所示。
[0060]
所述图像压缩系统用于对所述图像处理系统扩充处理后的工业图像数据按照预设压缩率进行压缩，并将压缩后的工业图像数据传输至所述缺陷检测网络系统和所述无参考图像质量评分系统；所述图像压缩系统采用不同压缩率对工业图像数据进行压缩，按照压缩率将压缩后的工业图像数据分成若干组训练集和测试集，以模拟网络传输过程中工业图像的压缩操作；所述图像压缩系统利用人的视角系统特性，通过量化和无损压缩编码相结合的方式来去除视角和数据本身的冗余信息，从而能够保证压缩前后工业图像的尺寸和分辨率均保持不变，仅缩小工业图像的内存大小。
[0061]
所述缺陷检测网络系统联合yolov3网络和特征金字塔网络(feature pyramid networks，fpn)对所述图像压缩系统压缩后的工业图像数据进行缺陷检测，得到不同压缩率下工业图像中各类别物体的平均识别准确率，并将所述平均识别准确率传输至所述用于缺陷检测的压缩图像评分系统；
[0062]
工业图像中的缺陷往往细小且数目不多，因此选取深度学习中适用于小目标检测的yolov3网络来对工业图像进行缺陷检测；yolov3融合了yolov2中darknet-19和resnet的想法，提出了新的特征提取器darknet-53，darknet-53采用全卷积的方式，本实施例中darknet-53包括一系列卷积核为1x1和3x3的卷积层，其中，每个卷积层的后面都有一个批量归一化(batch normalization，bn)层和一个leaky relu层；与yolov2中类似vgg直筒型网络结构不同的是，yolov3引入resnet的残差结构，使得网络能够实现53层的深度，对于精度的提升有很大影响。
[0063]
所述缺陷检测网络系统的具体工作流程包括：
[0064]
1)对训练集和测试集中的工业图像分别进行尺寸调整，统一调整为416
×
416，调整后将工业图像划分为13
×
13个网格；
[0065]
2)采用yolov3网络中的darknet-53对网格划分后的训练集中的工业图像进行5次下采样，每次下采样后，通过yolov3网络中的yolo层对下采样后的工业图像进行特征提取，得到下采样后浅层的特征图；其中，第5次下采样后得到13
×
13大小的浅层的特征图；其中，下采样过程采用残差网络，以保证神经网络即使在深层也能进行快速的收敛；
[0066]
3)采用yolov3网络中的dbl(darknet conv2d_batch norm_leaky relu，darknet中的卷积层+批标准化层+带泄漏修正线性单元函数层)对浅层的特征图进行学习，得到13
×
13大小的深层的特征图；
[0067]
4)采用fpn将深层的特征图与浅层的特征图进行融合，得到三种不同尺度的特征图，即13
×
13、26
×
26、52
×
52三种尺度；
[0068]
对深层的特征图进行上采样至26
×
26大小；将上采样后26
×
26大小的深层的特征图与步骤2)中第4次下采样得到的浅层的特征图进行相加，由于第4次下采样得到的浅层的特征图也为26
×
26，因此相加后仍为26
×
26；将相加后的特征图上采样至52
×
52，并与步骤2)中第3次下采样得到的浅层的特征图进行相加，由于第3次下采样得到的浅层的特征图也为52
×
52，因此相加后仍为52
×
52；
[0069]
5)采用三种不同尺度的特征图，分别对测试集工业图像中不同尺寸的目标物体进行预测，并采用若干个独立的逻辑分类器分别计算目标物体属于各类别的概率大小，得到不同压缩率下工业图像中各类别物体的平均识别准确率；
[0070]
通过不同尺度的特征图对不同大小的目标物体进行预测，其中小尺度13
×
13负责预测大目标物体，中尺度26
×
26负责预测中目标物体，大尺度52
×
52负责预测小目标物体；
[0071]
对目标物体进行类别识别的过程中，loss分为回归损失、置信度损失、分类损失三个部分，回归损失是通过边界框坐标计算得到的loss，置信度损失为置信度带来的loss，分类损失是类别带来的loss；其中，分类损失的计算过程中，每个标签均使用二元交叉熵损失，从而有效降低了计算复杂度。
[0072]
所述缺陷检测网络系统的检测结果如图4所示。
[0073]
所述无参考图像质量评分系统采用brisque算法对所述图像压缩系统压缩后的工业图像数据进行质量评分，得到不同压缩率下的质量评分结果quality，并将不同压缩率下的质量评分结果quality传输至所述用于缺陷检测的压缩图像评分系统；
[0074]
高质量相机设备采集到的自然场景图像服从例如类高斯分布的统计特征，而自然图像一旦产生失真，就会导致原有的统计特征发生变化，因此brisque算法就是利用自然场景统计(natural scene statistical,nss)中亮度均值减损对比归一化系数(mean subtracted contrast normalized,mscn)的分布状况计算图像特征来完成图像的无参考评价；现有的brisque算法是在自然场景图像上进行训练的，自然场景的统计特征和工业图像的统计特征有所差别，所以brisque对工业图像的质量评价不准确，需要重新提取不同压缩率下的工业图像的特征向量，再结合训练集特征向量的质量分数来训练brisque算法中的svm，得到适用于工业图像质量评估的工业图像质量评估模型。对压缩后的工业图像进行无参考质量评价时先加载训练后的工业图像质量评估模型，然后利用模型产生的支持向量预测概率，利用libsvm预测压缩后的工业图像最终的质量得分。具体如图5所示，包括：
[0075]
1)分别提取工业图像空间域亮度均值减损对比归一化系数(mean subtracted contrast normalized,mscn)的广义高斯分布(generalized gaussian distribution,ggd)模型参数及其四方向(水平、竖直、主对角、二次对角)邻域mscn系数的非对称广义高斯分布(asymmetric generalized gaussian distribution,aggd)模型参数作为特征向量的前18个元素；具体包括：
[0076]
首先，将mscn系数拟合到广义高斯分布(generalized gaussian distribution,ggd)模型来计算特征向量的前2个元素；
[0077]
其次，用非对称广义高斯分布(asymmetric generalized gaussian distribution,aggd)模型拟合四方向邻域mscn系数的形状、均值、左方差和右方差作为统计特征，即为特征向量的另外16个元素。
[0078]
2)将测试集工业图像的尺寸缩小至一半，重复上述步骤1)，得到特征向量的后18个元素；
[0079]
3)将训练集中所有工业图像的特征向量和对应的质量评分送入brisque算法中的svm进行训练，得到训练好的工业图像质量评估模型；
[0080]
4)通过步骤1)～2)，得到测试集工业图像的特征向量，并采用步骤3)训练好的工业图像质量评估模型进行质量评分预测，得到不同压缩率下工业图像的质量评分。
[0081]
所述用于缺陷检测的压缩图像评分系统用于根据不同压缩率下工业图像中各类别物体的平均识别准确率，以及不同压缩率下的质量评分结果，获取工业图像压缩率的临界值，如图6所示。
[0082]
随着压缩率的减小，图像所占内存变小，工业图像的质量评分quality呈下降趋势，工业图像中各类别物体的平均识别准确率map也逐步减小，为了权衡节省网络带宽和保障缺陷检测任务中map尽可能高，本实施例提出使用作为工业缺陷检测任务中网络所传输图像压缩率的选取指标，其中，compress_ap为图像压缩率指标；原则为：compress_ap取得极大值时对应的图像压缩率为工业缺陷检测任务所需的临界值。
[0083]
所述基于缺陷检测的工业图像临界压缩率智能分析系统的具体工作流程包括：
[0084]
1)采用图像采集系统对位于工作区的工业制品进行拍摄成像，将采集到的工业图像传输至图像处理系统。
[0085]
2)通过图像处理系统对工业图像进行数据扩充处理，具体包括：高斯模糊、锐化、亮度调节，色度调节以及旋转操作。
[0086]
3)对扩充处理后的工业图像按照不同压缩率进行压缩，模拟信道传输为节省带宽而压缩图像的操作。
[0087]
4)通过缺陷检测网络系统对压缩后的工业图像进行缺陷检测，得到得到不同压缩率下工业图像中各类别物体的平均识别准确率；
[0088]
首先，使用darknet-53网络进行特征提取；
[0089]
其次，采用fpn将深层特征图进行上采样并与浅层特征图融合后，进行多尺度预测，本实施例进行3个尺度的预测；
[0090]
再次，采用多个独立的logistic分类器对不同压缩率下工业图像中的各类别物体进行类别预测，并计算不同压缩率下工业图像中各类别物体的平均识别准确率。
[0091]
5)通过无参考图像质量评分系统对压缩后的工业图像数据进行质量评分；
[0092]
通过训练集对brisque算法中所使用的svm进行重新训练，得到工业图像质量评估模型，通过训练好的工业图像质量评估模型对不同压缩率的工业图像进行质量评分。
[0093]
6)用于缺陷检测的压缩图像评分系统获取工业图像压缩率的临界值；缺陷检测的压缩图像评分系统结合不同压缩率下工业图像中各类别物体的平均识别准确率，以及不同压缩率下的质量评分结果，提出一种新的指标compress_ap，将compress_ap取得极大值时对应的图像压缩率为工业缺陷检测任务所需的临界值，实现在工业缺陷检测任务中，对图像压缩率的优劣进行评估。
[0094]
参照图2所示，本实施例还提供基于缺陷检测的工业图像临界压缩率智能分析方法，具体包括如下步骤：
[0095]
s1、采集工业图像；
[0096]
本实施例在工业流水线上架设工业摄像机，通过工业相机采集工业图像。
[0097]
s2、对采集的工业图像进行数据扩充处理；
[0098]
本实施例采用高斯模糊、锐化、亮度调节，色度调节、旋转操作对工业图像进行数据扩充处理。
[0099]
s3、按照不同压缩率对数据扩充处理后的工业图像数据进行压缩，并根据压缩率将压缩后的工业图像数据分成若干组训练集和测试集；
[0100]
其中，压缩过程中利用人的视角系统特性，通过量化和无损压缩编码相结合的方式来去除视角和数据本身的冗余信息，从而能够保证压缩前后工业图像的大小和分辨率均保持不变，仅缩小工业图像的内存大小。
[0101]
s4、采用yolov3网络和fpn对压缩后的工业图像进行缺陷识别，并计算不同压缩率下工业图像中各类别物体的平均识别准确率；具体包括：
[0102]
s4.1、对训练集和测试集中的工业图像分别进行尺寸调整，统一调整为416
×
416，调整后将工业图像划分为13
×
13个网格；
[0103]
s4.2、采用yolov3网络中的darknet-53对网格划分后的训练集中的工业图像进行5次下采样，每次下采样后，通过yolov3网络中的yolo层对下采样后的工业图像进行特征提取，得到下采样后浅层的特征图；其中，第5次下采样后得到13
×
13大小的浅层的特征图；其中，下采样过程采用残差网络，以保证神经网络即使在深层也能进行快速的收敛；
[0104]
s4.3、采用yolov3网络中的dbl(darknet conv2d_batch norm_leaky relu，darknet中的卷积层+批标准化层+带泄漏修正线性单元函数层)对浅层的特征图进行学习，得到13
×
13大小的深层的特征图；
[0105]
s4.4、采用fpn将深层的特征图与浅层的特征图进行融合，得到三种不同尺度的特征图，即13
×
13、26
×
26、52
×
52三种尺度；
[0106]
对深层的特征图进行上采样至26
×
26大小；将上采样后26
×
26大小的深层的特征图与步骤s4.2中第4次下采样得到的浅层的特征图进行相加，由于第4次下采样得到的浅层的特征图也为26
×
26，因此相加后仍为26
×
26；将相加后的特征图上采样至52
×
52，并与步骤s4.2中第3次下采样得到的浅层的特征图进行相加，由于第3次下采样得到的浅层的特征图也为52
×
52，因此相加后仍为52
×
52；
[0107]
s4.5、采用三种不同尺度的特征图，分别对测试集工业图像中不同尺寸的目标物体进行预测，并采用若干个独立的逻辑分类器分别计算目标物体属于各类别的概率大小，得到不同压缩率下工业图像中各类别物体的平均识别准确率；
[0108]
通过不同尺度的特征图对不同大小的目标物体进行预测，其中小尺度13
×
13负责预测大目标物体，中尺度26
×
26负责预测中目标物体，大尺度52
×
52负责预测小目标物体；
[0109]
对目标物体进行类别识别的过程中，loss分为回归损失、置信度损失、分类损失三个部分，回归损失是通过边界框坐标计算得到的loss，置信度损失为置信度带来的loss，分类损失是类别带来的loss；其中，分类损失的计算过程中，每个标签均使用二元交叉熵损失，从而有效降低了计算复杂度。
[0110]
s5、采用brisque算法对压缩后的工业图像进行质量评分，具体包括：
[0111]
s5.1、分别提取工业图像空间域亮度均值减损对比归一化系数(mean subtracted contrast normalized,mscn)的广义高斯分布(generalized gaussian distribution,ggd)模型参数及其四方向(水平、竖直、主对角、二次对角)邻域mscn系数的非对称广义高斯分布(asymmetric generalized gaussian distribution,aggd)模型参数作为特征向量的前18个元素；具体包括：
[0112]
首先，将mscn系数拟合到广义高斯分布(generalized gaussian distribution,
ggd)模型来计算特征向量的前2个元素；
[0113]
其次，用非对称广义高斯分布(asymmetric generalized gaussian distribution,aggd)模型拟合四方向邻域mscn系数的形状、均值、左方差和右方差作为统计特征，即为特征向量的另外16个元素。
[0114]
s5.2、将测试集工业图像的尺寸缩小至一半，重复上述s5.1，得到特征向量的后18个元素；
[0115]
s5.3、将训练集中所有工业图像的特征向量和对应的质量评分送入brisque算法中的svm进行训练，得到训练好的工业图像质量评估模型；
[0116]
s5.4、通过步骤s5.1～s5.2，得到测试集工业图像的特征向量，并采用步骤s5.3训练好的工业图像质量评估模型进行质量评分预测，得到不同压缩率下工业图像的质量评分。
[0117]
s6、基于不同压缩率下工业图像中各类别物体的平均识别准确率、不同压缩率下工业图像的质量评分，获取工业图像压缩率的临界值；
[0118]
图像压缩率指标compress_ap如下式所示：
[0119][0120]
式中，map为工业图像中各类别物体的平均识别准确率，quality为工业图像的质量评分；其中，随着压缩率的减小，图像所占内存变小，工业图像的质量评分quality呈下降趋势，工业图像中各类别物体的平均识别准确率map也逐步减小，通过图像压缩率指标compress_ap，能够权衡网络带宽和提高工业图像中目标的检测精度。
[0121]
compress_ap取得极大值时对应的图像压缩率为工业缺陷检测任务所需的临界值。
[0122]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。