本發(fā)明涉及工業(yè)檢測(cè)，具體為基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法。

背景技術(shù)：

1、工業(yè)產(chǎn)品表面缺陷檢測(cè)是現(xiàn)代制造業(yè)中確保產(chǎn)品質(zhì)量和生產(chǎn)效率的重要環(huán)節(jié)之一?，F(xiàn)有技術(shù)主要包括人工目視檢測(cè)和基于機(jī)器視覺(jué)的自動(dòng)檢測(cè)方法。人工目視檢測(cè)依賴于工人的經(jīng)驗(yàn)和敏感度，盡管在一些小規(guī)模生產(chǎn)場(chǎng)景中仍有應(yīng)用，但在面對(duì)大批量流水線作業(yè)時(shí)，效率和一致性較低?；跈C(jī)器視覺(jué)的自動(dòng)檢測(cè)技術(shù)，通過(guò)規(guī)則化的圖像處理算法對(duì)工業(yè)表面圖像進(jìn)行特征提取與分析，在提高自動(dòng)化程度的同時(shí)減少了人工干預(yù)的不足。這些技術(shù)在光照條件穩(wěn)定、表面紋理和缺陷特征相對(duì)單一的場(chǎng)景下表現(xiàn)出較好的適用性，且在一定程度上提升了檢測(cè)效率。然而，隨著工業(yè)生產(chǎn)環(huán)境復(fù)雜性和多樣化的增加，現(xiàn)有技術(shù)逐漸面臨適應(yīng)能力的瓶頸。

2、現(xiàn)有技術(shù)在實(shí)際應(yīng)用中還存在一些不足之處。傳統(tǒng)基于規(guī)則的機(jī)器視覺(jué)方法往往難以處理復(fù)雜紋理和多樣化缺陷特征，尤其是在光照條件多變、材料多樣的工業(yè)環(huán)境下，其準(zhǔn)確性和魯棒性受到顯著限制?；谏疃葘W(xué)習(xí)的缺陷檢測(cè)技術(shù)雖然在自動(dòng)化和檢測(cè)精度上取得了顯著進(jìn)展，但現(xiàn)有方法的泛化能力較為有限，模型通常針對(duì)特定缺陷類型或特定場(chǎng)景優(yōu)化，當(dāng)應(yīng)用于材質(zhì)、光照或缺陷類型變化的場(chǎng)景時(shí)，檢測(cè)性能容易下降。此外，深度學(xué)習(xí)方法對(duì)大規(guī)模標(biāo)注數(shù)據(jù)的需求較高，而工業(yè)現(xiàn)場(chǎng)缺陷數(shù)據(jù)往往分布不平衡且采集和標(biāo)注成本高，導(dǎo)致模型優(yōu)化難度增大。同時(shí)，深度學(xué)習(xí)模型通常需要較高的計(jì)算資源支持，其大規(guī)模部署在資源有限的邊緣設(shè)備中受到限制，難以滿足工業(yè)現(xiàn)場(chǎng)的實(shí)時(shí)檢測(cè)需求。以上問(wèn)題制約了現(xiàn)有技術(shù)在復(fù)雜工業(yè)環(huán)境中的廣泛應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，解決了現(xiàn)有工業(yè)產(chǎn)品表面缺陷檢測(cè)技術(shù)在復(fù)雜光照條件下的魯棒性不足、多樣化缺陷特征提取不充分、模型泛化能力有限以及邊緣設(shè)備實(shí)時(shí)檢測(cè)效率低的問(wèn)題。

2、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，包括以下步驟：

3、s1、對(duì)工業(yè)產(chǎn)品表面圖像進(jìn)行數(shù)據(jù)預(yù)處理，生成光照不變特征和多尺度特征；

4、s2、利用ai大模型對(duì)預(yù)處理后的圖像進(jìn)行深度特征提取，并通過(guò)多尺度特征融合生成多層次的缺陷特征圖；

5、s3、通過(guò)知識(shí)蒸餾技術(shù)對(duì)ai大模型進(jìn)行優(yōu)化，生成輕量化模型；

6、s4、將輕量化模型部署至邊緣設(shè)備，進(jìn)行表面缺陷檢測(cè)；

7、s5、通過(guò)動(dòng)態(tài)調(diào)整檢測(cè)閾值優(yōu)化檢測(cè)過(guò)程中的置信度判定。

8、優(yōu)選的，所述s1步驟中，數(shù)據(jù)預(yù)處理的光照不變特征提取包括：

9、對(duì)輸入圖像的像素梯度進(jìn)行計(jì)算，獲取像素值的梯度方向和幅度，并對(duì)像素梯度進(jìn)行歸一化處理，以消除光照強(qiáng)度的影響，生成光照不變特征圖。

10、優(yōu)選的，所述s1步驟中，數(shù)據(jù)預(yù)處理的多尺度特征分解包括：

11、通過(guò)多尺度分解對(duì)輸入圖像提取高頻特征和低頻特征，并對(duì)高頻特征和低頻特征按照設(shè)定的權(quán)重參數(shù)進(jìn)行加權(quán)融合，生成包含多尺度信息的融合特征圖。

12、優(yōu)選的，所述s2步驟中，深度特征提取通過(guò)基于transformer架構(gòu)的多頭自注意力機(jī)制完成，具體包括以下步驟：

13、a．生成查詢矩陣、鍵矩陣和值矩陣；

14、b．通過(guò)查詢矩陣和鍵矩陣之間的計(jì)算生成注意力權(quán)重；

15、c．利用注意力權(quán)重對(duì)值矩陣進(jìn)行加權(quán)求和，生成深度特征；

16、d．通過(guò)多頭注意力機(jī)制提取全局特征和局部特征。

17、優(yōu)選的，所述s2步驟中，多尺度特征融合通過(guò)特征金字塔網(wǎng)絡(luò)實(shí)現(xiàn)，將不同尺度的特征圖通過(guò)權(quán)重優(yōu)化后合成為統(tǒng)一的多尺度特征。

18、優(yōu)選的，所述s3步驟中，知識(shí)蒸餾技術(shù)包括以下步驟：

19、a．使用教師模型對(duì)輸入數(shù)據(jù)生成深度特征；

20、b．利用學(xué)生模型學(xué)習(xí)教師模型的特征輸出；

21、c．通過(guò)最小化真實(shí)標(biāo)簽與學(xué)生模型輸出之間的交叉熵?fù)p失，以及教師模型和學(xué)生模型輸出之間的差異損失對(duì)學(xué)生模型進(jìn)行優(yōu)化。

22、優(yōu)選的，所述s3步驟中，輕量化模型通過(guò)模型量化優(yōu)化，所述模型量化通過(guò)對(duì)模型的權(quán)重進(jìn)行離散化處理，將權(quán)重從浮點(diǎn)表示轉(zhuǎn)換為量化表示，采用量化后的權(quán)重進(jìn)行矩陣運(yùn)算。

23、優(yōu)選的，所述s4步驟中，邊緣設(shè)備中的輕量化模型通過(guò)深度學(xué)習(xí)推理加速工具進(jìn)行部署，所述推理加速工具用于優(yōu)化模型推理速度和計(jì)算效率。

24、優(yōu)選的，所述s5步驟中，動(dòng)態(tài)調(diào)整檢測(cè)閾值包括以下步驟：

25、a．統(tǒng)計(jì)缺陷檢測(cè)結(jié)果的置信度分布，計(jì)算置信度的均值和標(biāo)準(zhǔn)差；

26、b．根據(jù)設(shè)定的調(diào)整參數(shù)，利用均值和標(biāo)準(zhǔn)差對(duì)檢測(cè)閾值進(jìn)行動(dòng)態(tài)調(diào)整。

27、優(yōu)選的，所述s2步驟中，多尺度特征融合的權(quán)重通過(guò)優(yōu)化高頻特征和低頻特征的響應(yīng)程度設(shè)定，用于對(duì)局部細(xì)節(jié)缺陷和全局特征進(jìn)行加權(quán)合成。

28、本發(fā)明提供了基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法。具備以下有益效果：

29、1、本發(fā)明采用光照不變特征提取和多尺度特征分解相結(jié)合的技術(shù)方案，達(dá)到了在復(fù)雜光照條件下提取表面細(xì)節(jié)特征的效果，相較于現(xiàn)有技術(shù)中依賴固定光照條件或全局特征的檢測(cè)方法，解決了因光照變化導(dǎo)致的檢測(cè)不穩(wěn)定問(wèn)題，提高了檢測(cè)的魯棒性。

30、?2、本發(fā)明通過(guò)基于transformer的大模型進(jìn)行深度特征提取，并結(jié)合多尺度特征融合網(wǎng)絡(luò)，達(dá)到了兼顧全局信息和局部細(xì)節(jié)的特征表達(dá)能力，與現(xiàn)有技術(shù)中單一尺度或單一網(wǎng)絡(luò)架構(gòu)的方案相比，有效解決了對(duì)于多樣化缺陷特征提取不充分的不足，適應(yīng)了復(fù)雜的工業(yè)表面缺陷檢測(cè)需求。

31、?3、本發(fā)明利用知識(shí)蒸餾和模型量化技術(shù)，將大模型優(yōu)化為輕量化模型，達(dá)到了高效運(yùn)行于邊緣設(shè)備的效果。相較于現(xiàn)有技術(shù)中需要依賴高性能硬件支持的方案，解決了工業(yè)現(xiàn)場(chǎng)中資源有限、計(jì)算成本高的問(wèn)題，實(shí)現(xiàn)了輕量化模型的部署與應(yīng)用。

32、?4、本發(fā)明通過(guò)動(dòng)態(tài)調(diào)整檢測(cè)閾值的技術(shù)方案，達(dá)到了實(shí)時(shí)優(yōu)化漏檢率與誤檢率的效果，與現(xiàn)有技術(shù)中采用固定閾值方法檢測(cè)缺陷的方案相比，有效解決了在多樣化缺陷類型和生產(chǎn)場(chǎng)景下檢測(cè)精度不穩(wěn)定的問(wèn)題，提升了工業(yè)環(huán)境中的檢測(cè)可靠性和適應(yīng)性。

技術(shù)特征：

1.基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s1步驟中，數(shù)據(jù)預(yù)處理的光照不變特征提取包括：

3.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s1步驟中，數(shù)據(jù)預(yù)處理的多尺度特征分解包括：

4.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s2步驟中，深度特征提取通過(guò)基于transformer架構(gòu)的多頭自注意力機(jī)制完成，具體包括以下步驟：

5.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s2步驟中，多尺度特征融合通過(guò)特征金字塔網(wǎng)絡(luò)實(shí)現(xiàn)，將不同尺度的特征圖通過(guò)權(quán)重優(yōu)化后合成為統(tǒng)一的多尺度特征。

6.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s3步驟中，知識(shí)蒸餾技術(shù)包括以下步驟：

7.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s3步驟中，輕量化模型通過(guò)模型量化優(yōu)化，所述模型量化通過(guò)對(duì)模型的權(quán)重進(jìn)行離散化處理，將權(quán)重從浮點(diǎn)表示轉(zhuǎn)換為量化表示，采用量化后的權(quán)重進(jìn)行矩陣運(yùn)算。

8.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s4步驟中，邊緣設(shè)備中的輕量化模型通過(guò)深度學(xué)習(xí)推理加速工具進(jìn)行部署，所述推理加速工具用于優(yōu)化模型推理速度和計(jì)算效率。

9.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s5步驟中，動(dòng)態(tài)調(diào)整檢測(cè)閾值包括以下步驟：

10.根據(jù)權(quán)利要求1所述的基于ai大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，其特征在于，所述s2步驟中，多尺度特征融合的權(quán)重通過(guò)優(yōu)化高頻特征和低頻特征的響應(yīng)程度設(shè)定，用于對(duì)局部細(xì)節(jié)缺陷和全局特征進(jìn)行加權(quán)合成。

技術(shù)總結(jié)
本申請(qǐng)涉及工業(yè)檢測(cè)技術(shù)領(lǐng)域，公開(kāi)了基于AI大模型的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法，包括以下步驟：S1、對(duì)工業(yè)產(chǎn)品表面圖像進(jìn)行數(shù)據(jù)預(yù)處理，生成光照不變特征和多尺度特征；S2、利用AI大模型對(duì)預(yù)處理后的圖像進(jìn)行深度特征提取，并通過(guò)多尺度特征融合生成多層次的缺陷特征圖；S3、通過(guò)知識(shí)蒸餾技術(shù)對(duì)AI大模型進(jìn)行優(yōu)化，生成輕量化模型；S4、將輕量化模型部署至邊緣設(shè)備，進(jìn)行表面缺陷檢測(cè)；S5、通過(guò)動(dòng)態(tài)調(diào)整檢測(cè)閾值優(yōu)化檢測(cè)過(guò)程中的置信度判定。通過(guò)光照不變特征提取和多尺度特征分解相結(jié)合的技術(shù)方案，達(dá)到了在復(fù)雜光照條件下提取表面細(xì)節(jié)特征的效果，解決了因光照變化導(dǎo)致的檢測(cè)不穩(wěn)定問(wèn)題，提高了檢測(cè)的魯棒性。

技術(shù)研發(fā)人員：李云峰
受保護(hù)的技術(shù)使用者：北京妙想科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15