(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 202211154478.0 (22)申请日 2022.09.22 (71)申请人 江苏智云天工科技有限公司 地址 213000 江苏省常州市 常州钟楼经济 开发区玉龙南路280号常州 大数据产 业园4号楼2楼201室 (72)发明人 林方正　张志琦　赵何　 (74)专利代理 机构 常州佰业腾飞专利代理事务 所(普通合伙) 32231 专利代理师 吕小丽 (51)Int.Cl. G06T 7/00(2017.01) G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 5/04(2006.01) (54)发明名称 工业检测中的缺陷检测装置 (57)摘要 本发明涉及工业检测技术领域， 提供一种工 业检测中的缺陷检测装置， 包括： 提取器， 用于得 到多通道张量； 生成对抗模型， 包括编码器、 生成 器和判别器， 编码器用于生成单通道张量， 生成 器用于根据多通道张量生 成多维特征张量， 判别 器用于对多通道张量和单通道张量进行判别以 生成第一判别结果， 对多维特征张量和单通道张 量进行判别以生成第二判别结果， 以使生成对抗 模型根据第一判别结果和第二判别结果进行模 型训练； 判别器还用于在模型训练完成后， 根据 多通道张量和多维特征张量进行判别并生成第 三判别结果。 本发明将提取器和编码器的优点做 了有效整和， 实现特征提取和采样 速率的双重提 升， 进一步提高了缺陷检测的准确性。 权利要求书1页 说明书6页 附图2页 CN 115239717 A 2022.10.25 CN 115239717 A 1.一种工业检测中的缺陷检测装置， 其特 征在于， 包括： 提取器， 所述提取器用于接收工业检测图像并对所述工业检测图像进行下采样， 以得 到多通道张量； 生成对抗模型， 所述生成对抗模型包括编码器、 生成器和判别器， 所述编码器的输入端 与所述提取器的输出端和所述判别器的输入端相连， 所述编码器的输出端分别与所述生成 器的输入端和所述判别器的输入端相连， 所述编码器用于对所述多通道张量进行特征提 取， 以生成单通道张量， 所述生成器用于根据所述多通道张量生成多维特征张量， 且所述多 维特征张量与所述多通道张量的尺寸相同， 所述判别器用于对所述多通道张量和所述单通 道张量进行判别以生成第一判别结果， 并将所述第一判别结果反馈 至所述编码器； 对所述多维特征张量和所述单通道张量进行判别以生成第 二判别结果， 并将所述第 二 判别结果反馈至所述生成器， 以使所述生成对抗模型根据所述第一判别结果和所述第二判 别结果进行模型训练； 所述判别器还用于在模型训练完成后， 根据 所述多通道张量和所述多维特征张量进行 判别并生成第三判别结果， 以根据所述第三判别结果进行缺陷检测。 2.根据权利要求1所述的工业检测中的缺陷检测装置， 其特征在于， 所述提取器通过 CNN实现。 3.根据权利要求1所述的工业检测中的缺陷检测装置， 其特征在于， 所述编码器为 Transformer编码器。 4.根据权利要求1所述的工业检测中的缺陷检测装置， 其特征在于， 对所述编码器、 生 成器和判别器进行模型训练时， 所述工业检测图像为良品图像。权　利　要　求　书 1/1 页 2 CN 115239717 A 2工业检测中的缺陷检测装 置 技术领域 [0001]本发明涉及工业检测技术领域， 具体涉及 一种工业检测中的缺陷检测装置和一种 工业检测中的缺陷检测方法。 背景技术 [0002]在对于工业产品缺陷进行检测的时候， 常用的人工神经网络模型往往只能对已经 过训练的缺陷种类进 行有效识别。 换言之， 如果某种缺陷不存在训练数据集中， 亦或者该缺 陷的出现概率极低， 则训练后的模型无法对其进 行有效的识别。 而在工业生产当中， 由于产 线和设备的不稳定性， 的确存在出现新型或者 罕见缺陷的情况。 如上所述， 由于此类缺陷无 法被有效训练， 则人工神经网络识别效果远低于预期。 [0003]目前针对工业质检的异常检测研究不多见， 比较普遍的是面向公开数据集进行的 异常检测研究。 目前所发表的算法， 基本均遵循了 “采样—判别 ”的两步走的框架。 在此框架 下， 相关的途径可以分为两类： 其一， 利用卷积神经网络对图像进行采样， 再通过机器学习 算法对获取的图像特征数据进行二分类判别， 判定正常或者异常图像； 其二， 采用GAN （Generative  Adversarial  Networks， 生成对抗网络） 的模型， 使 其具备生成良品图像的能 力， 利用模型中的判别器对生成图像和输入图像进行判定， 从而预测输入图像是否为异常。 [0004]在针对公开数据集进行实验时候， 上述两种途径均表现出了一定的异常检测能 力， 但是也存在诸多问题。 在第一种途径中， 尽管训练采样的模型之需要正常数据， 但是对 采样特征数据进行二分类的精度， 受到已有的异常数据量和正常数据量以及其比例的影 响， 对于新型的异常缺陷表现不佳。 第二种途径由于采用的GAN， 往往需要若干个神经网络 模型同时进行训练， 这种训练方式一方面需要大量的数据供给， 另一方面在训练中可能出 现“模式崩塌 ”等直接影响生成器训练质量的情况。 发明内容 [0005]为解决上述技术问题， 本发明的第一个目的在于提出一种工业检测中的缺陷检测 装置， 将提取器和 编码器的优点做了有效整和， 实现特征提取和采样 速率的双重提升， 进一 步提高了缺陷检测的准确性。 [0006]本发明的第二个目的在于提出一种工业检测中的缺陷检测方法。 [0007]本发明采用的技 术方案如下： 本发明第一方面的实施例提出了一种工业检测中的缺陷检测装置， 包括： 提取器， 所述提取器用于接收工业检测图像并对所述工业检测图像进行下采样， 以得到多通道张 量； 生成对抗模型， 所述生成对抗模型包括编码器、 生成器和判别器， 所述编码器的输入端 与所述提取器的输出端和所述判别器的输入端相连， 所述编码器的输出端分别与所述生成 器的输入端和所述判别器的输入端相连， 所述编码器用于对所述多通道张量进行特征提 取， 以生成单通道张量， 所述生成器用于根据所述多通道张量生成多维特征张量， 且所述多 维特征张量与所述多通道张量的尺寸相同， 所述判别器用于对所述多通道张量和所述单通说　明　书 1/6 页 3 CN 115239717 A 3