技术特征：
1.一种用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于，包括以下步骤：s1、融合不同领域缺陷数据集，并对缺陷数据集的数据进行增强，利用增强后的缺陷数据集训练卷积神经网络，得到冷启动视觉检测模型；s2、抽取冷启动视觉检测模型的卷积层特征，构建样本特征池；s202、抽取不同卷积层卷积得到的语义特征图；s204、利用平滑算法对每个独立语义的特征图进行局部平滑；s206、以特征通用性和最高分辨率为选择目标，构建样本特征池；s3、采用迭代贪婪逼近算法计算出子样本特征池，并用子样本特征池替换原有的样本特征池；优化目标函数为：上式中，为样本特征池的子集，m为从原样本特征池中任意抽取的特征样本，n为从新的子样本特征池中任意抽取的特征样本；通过优化目标函数选择子样本特征池，在子样本特征池中的信息量相比原特征池中的信息量未发生变化的情况下，让子样本特征池中的图片最少；s4、在线工艺品检测时，使用卷积神经网络进行图片特征提取，后将提取的特征信息和样本特征池信息进行比对，基于特征偏离判断是否是缺陷图片。2.根据权利要求1所述用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于：步骤s1中缺陷数据集为mvtec ad数据集；卷积神经网络为resnet或vgg。3.根据权利要求1所述用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于：步骤s1中对缺陷数据集的数据进行增强的方式为对数据集中的每一个图片随机做旋转或仿射变化。4.根据权利要求1所述用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于，步骤s202具体为：抽取不同卷积层卷积得到的语义特征图；φ
i，j
＝φ
j
(x
i
)上式中，φ
j
(x
i
)表示从无缺陷分样本x
i
在神经网络φ中的第j层抽取的特征，其中在神经网络φ中的第j层抽取的特征，其中j表示是从卷积神经网络抽取特征所在的网络层，j∈{0，1，2，3，4}；其中χ
n
表示数据集，n表示数据集中样本的数量；φ表示卷积神经网络；x表示获取到的无缺陷分样本，并且满足y
x
表示样本x的标签，y
x
∈{0，1}，0表示为正常样本，1表示为不正常样本。5.根据权利要求4所述用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于，步骤s204具体为：将经过卷积神经网络训练的冷启动视觉检测模型的语义特征图表示为其中c
*
表示深度，h表示高度，w
*
表示宽度；r表示集合，为φ
i，j
的汇总，φ
i，j
表示第i张图片从神经网络的第j层中抽取得到的语义特征图；然后用表示每一个单独样本在卷积神经网络的不同卷积层中抽取的语义特征图，h和w分别表示语义特征图的高度和宽度；通过以下公式对抽取得到的语义特征图进行特征筛选：
上式中，a和b分别表示平滑时的像素点位置，a表示平滑时的像素点的高，b表示表示平滑时的像素点的宽；其中p表示抽取得到的不同语义特征图片的面积大小，表示平滑后的语义特征图：上式中，f
agg
为聚合函数；找出平滑时的像素点的宽和高是滑动步长s的正数倍数的经过平滑后的语义特征图：将每一张经过平滑后的语义特征图的高和宽均除以滑动步长s求得余数，并且要求每一张经过平滑后的语义特征图的高和宽分别小于经过卷积神经网络训练的冷启动视觉检测模型的语义特征图的高度和宽度；h，w mod s＝0，h＜h
*
，w＜w
*
，h，w∈n}上式中，s是聚合时的滑动步长，表示最终得到的样本特征图合集。6.根据权利要求5所述用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于，步骤s206最终得到的样本特征池如下：7.根据权利要求1所述用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于，步骤s4具体包括以下步骤：s402、使用卷积神经网络对待检测图片进行不同层级特征的提取；s404、把待检测图片的不同层级图片进行处理，将每一层的特征图片使用双线性插值的方法缩放为标准大小，标准大小为样本特征池中每一层的特征样本大小；采用高斯核对放大后的特征图片进行平滑处理；s406、计算特征样本偏离样本特征池的得分，其中偏离得分高的被分为有缺陷的图片；s＝||m
test，*
‑
m
*
||2上式中，x
test
表示输入待进行缺陷检测的图片，表示样本特征池中的特征，m
test，*
和m
*
分别表示最终得到的、以彼此作为参照的两个相似特征集的样本偏差，相似特征集由待进行缺陷检测的图片后计算得到；最后计算m
test，*
和m
*
的偏离程度得分s，当偏离程度得分超过预先设定的阈值时判断该待进行缺陷检测的图片为有缺陷的图片。8.根据权利要求7所述用于工艺品表面缺陷的冷启动视觉检测方法，其特征在于：步骤s404中用于对放大后的特征图片进行平滑处理的高斯核宽为6。
技术总结
本发明涉及一种用于工艺品表面缺陷的冷启动视觉检测方法，包括步骤：融合不同领域缺陷数据集，并对缺陷数据集的数据进行增强，利用增强后的缺陷数据集训练卷积神经网络，得到冷启动视觉检测模型；抽取冷启动视觉检测模型的卷积层特征，构建样本特征池；采用迭代贪婪逼近算法计算出小规模的子样本特征池，并用子样本特征池替换原有的样本特征池；基于特征偏离判断是否是缺陷图片。本发明的有益效果是：本发明利用不同领域缺陷数据集训练的冷启动视觉检测模型和没有缺陷的样本图片，通过构建特征池和计算偏离程度可以较好实现小样本场景下的工艺品表面缺陷检测，以解决在少量样本下，现有工艺品缺陷检测技术存在的缺陷特征无法有效表征的难题。法有效表征的难题。法有效表征的难题。
技术研发人员：陈垣毅
受保护的技术使用者：浙大城市学院
技术研发日：2021.09.28
技术公布日：2021/12/27