(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211096656.9 (22)申请日 2022.09.08 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 高向东　刘永恒　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘俊 (51)Int.Cl. G06V 10/762(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种瓷砖表面缺陷检测及定位方法、 系统及 存储介质 (57)摘要 本发明提出一种瓷砖表面缺陷检测及定位 方法、 系统及存储介质， 涉及瓷砖缺陷检测的技 术领域， 首先构建特征提取及处理模型， 输入正 常瓷砖样本图片集构造成的数据集得到图片特 征， 再利用多重多元高斯聚类构造图片特征的特 征点所属的聚类簇， 并进行优化再分配， 得到每 个聚类簇最新的均值和协方差， 计算特征点到各 自所属聚类簇中心的马氏距离并构建损失函数， 通过多轮训练获得训练好的特征提取及处理模 型， 最后将待检测图片输入至训练好的特征提取 及处理模型， 提取待测图片特征， 通过KNN算法判 断瓷砖表 面是否存在缺陷并定位缺陷位置， 不需 要采集瓷砖缺陷样本并进行标注， 在保证了瓷砖 缺陷检测精度和效率的同时节省了标注成本与 人力。 权利要求书3页 说明书8页 附图2页 CN 115424050 A 2022.12.02 CN 115424050 A 1.一种瓷砖表面 缺陷检测及定位方法， 其特 征在于， 包括： S1.构建特征提取及处理模型， 将正常瓷砖样本图片集构造成的数据集输入到特征提 取及处理模型中， 得到图片特 征； S2.利用多重多元高斯聚类构造图片特征的每个像素位置上的特征点所属的聚类簇， 并进行优化再分配， 得到每 个聚类簇最 新的均值和协方差， 并作为聚类簇中心； S3.计算图片特 征的每个像素位置上的特 征点到各自所属聚类簇中心的马氏距离； S4.建立损失函数， 对特征提取及处理模型进行训练， 在每一轮训练中更新提取到的每 个像素位置上 的特征点， 得到训练好的特征提取及处理模型， 并将更新后的特征点保存为 特征群； S5.将待检测图片输入至训练好的特征提取及处理模型， 提取待测图片特征， 检索距离 待测图片特征最近的特征群并将其视为同类， 通过KNN算法计算每一个像素位置的异常得 分， 根据得分判断瓷砖表面是否存在缺陷并定位 缺陷位置 。 2.根据权利要求1所述的瓷砖表面缺陷检测及定位方法， 其特征在于， 在步骤S1中， 在 将正常瓷砖样本图片集构造成数据集时， 对正常瓷砖样本图片集中的图像进行预处理， 预 处理包括读取RGB图像、 将图像尺寸调整为统一大小。 3.根据权利要求1所述的瓷砖表面缺陷检测及定位方法， 其特征在于， 在步骤S1中， 特 征提取及处理模型包括： 特征提取网络、 均值池化层、 拼接融合层、 位置编码层及卷积 融合 层； 数据集图片输入至特征提取网络后， 被提取出多层特征层， 每层特征均通过均值池化 层， 然后由拼接融合层将多层特征层中的部 分特征层拼接在一起， 得到特征图； 接着在位置 编码层将特征图分别在 x方向、 y方向添加位置编 码， 得到带坐标方向的特征图， 最后再经过 卷积融合层进行 卷积融合后得到图片特 征。 4.根据权利要求1所述的瓷砖表面缺陷检测及定位方法， 其特征在于， 步骤S2中构造图 片特征的每个像素位置上的特 征点所属的聚类簇， 并进行优化再分配的过程包括： S21.利用多重多元高斯聚类构造图片特征的每个像素位置上的特征点所属的聚类簇， 并计算每 个聚类簇的均值和协方差； S22.迭代更新每个像素位置上的特征点所属的聚类簇， 对聚类进行优化再分配， 得到 每个聚类簇最 新的均值和协方差， 并作为聚类簇中心。 5.根据权利要求4所述的瓷砖表面缺陷检测及定位方法， 其特征在于， 步骤S21的具体 过程为： 首先利用k ‑means算法进行初始化聚类， 得到k个聚类簇G， 令每个像素位置上的特征点 有唯一所属的聚类簇： 其中， Gk代表第k个聚类簇， φi， j代表每个像素点(i， j)位置的特 征点； 将提取到的图片特 征分配至每 个聚类簇中： 权　利　要　求　书 1/3 页 2 CN 115424050 A 2其中， nk代表分配到每个聚类簇中的特征总数， H代表特征图的高度， W代表特征图的宽 度； 设每个聚类簇的均值 为 μk， 协方差为∑k， 计算公式为： 6.根据权利要求5所述的瓷砖表面缺陷检测及定位方法， 其特征在于， 步骤S22的过程 为： 设置迭代临界值t， 对θi， j， k进行迭代 更新， 设每次迭代计算与上次均值和协方差的平方 差之和为 I， 计算公式为： I＝( μ′ ‑μ )2+(∑′ ‑∑)2 其中， μ代表上一轮迭代得到的均值， μ ′代表新一轮迭代得到的均值， ∑代表上一轮迭 代得到的协方差， ∑ ′代表新一轮迭代得到的协方差； 每次迭代后， 随机改变θi， j， k使得I值相应减小， 若I≥t， 则进行下一轮迭代， 当I＜t时停 止迭代， 保存更新后的μk、 ∑k以及更新后的θi， j， k， 更新后的μk、 ∑k作为聚类簇中心。 7.根据权利要求6所述的瓷砖表面缺陷检测及定位方法， 其特征在于， 计算图片特征的 每个像素位置上的特 征点到各自所属聚类簇中心的马氏距离的公式为： 根据特征点φi， j到聚类中心的马氏距离建立损失函数Lc和Lo： 其中， D()代表距离计算函数， φi， j代表每个位置的特征， H代表特征图的高度， W代表特 征图的宽度， Ck代表第k个聚类中心， K代 表聚类中心的总数； 其中C1代表距离该特征点第一近的聚类中心， C2代表距离该特征点第二近的聚类中心； 总损失函数等于 两个损失函数相加， 即： L＝Lc+Lo 其中， L表示总损失函数； 对特征提取及处理模型进行训练时， 设置训练轮数上限， 每一轮训练重新提取数据集 图片特征， 对提取到的特征计算距离， 进而计算损失函数L的值， 通过特征提取及处理模型 的反向传播更新特征提取网络的参数； 每一轮训练均将特征提取及处理模 型提取到的特征 进行更新， 在训练轮数达到上限后， 选择检测结果最好的训练轮数并保存该轮特征提取网 络的参数。 8.根据权利要求1所述的瓷砖表面缺陷检测及定位方法， 其特征在于， 在步骤S5中， 将 待检测瓷砖图片 输入至训练好的特征提取及处理模块中， 提取出图片特征， 利用KNN算法检权　利　要　求　书 2/3 页 3 CN 115424050 A 3