一种基于扩散模型的工业图像数据增强及缺陷生成方法及系统与流程

本技术实施例涉及缺陷检测，尤其涉及一种基于扩散模型的工业图像数据增强及缺陷生成方法及系统。

背景技术：

1、随着工业的发展，智能制造对产品质量控制提出了更高的要求。传统的基于规则的手动检测方法已经无法满足现代生产线的速度与精度要求。自动化的质量检测系统成为了必然选择，而高质量的训练数据是保证这些系统性能的关键因素之一。然而，在实际生产环境中，由于某些缺陷类型出现频率低或是难以复现，导致可用于训练的数据量不足，这限制了机器学习模型的有效性。因此，开发一种能够高效生成包含各类潜在缺陷的工业图像数据增强方法显得尤为重要。

2、目前，工业图像数据增强主要依赖于几何变换（如旋转、缩放、翻转等）以及光照条件变化等方式来增加训练集的多样性。

3、对于缺陷检测而言，通过合成技术向正常产品图像中添加已知缺陷样本，但这种方法通常受限于预定义的缺陷类型和外观，缺乏灵活性和多样性。

技术实现思路

1、本技术实施例提供一种基于扩散模型的工业图像数据增强及缺陷生成方法及系统，用以解决现有技术中缺陷检测缺乏灵活性和多样性的问题。

2、第一方面，本技术实施例提供了一种基于扩散模型的工业图像数据增强及缺陷生成方法，包括：

3、获取原始工业图像数据；

4、利用基于深度学习的扩散模型对所述原始工业图像数据进行处理，以生成包含模拟缺陷的缺陷图像数据；

5、通过所述扩散模型控制生成缺陷的属性以调整所述缺陷图像数据的分布特性；

6、根据所述缺陷图像数据的分布特性，评估所述扩散模型的生成质量，所述生成质量用以指示所述扩散模型在不同噪声水平下的生成模拟缺陷的能力；

7、根据所述生成质量调整所述扩散模型，并将获取的当前工业图像数据输入调整后的扩散模型，通过调整后的扩散模型对所述当前工业图像数据进行图像增强或生成对应的图像缺陷，以输出目标工业图像数据。

8、可选地，所述通过所述扩散模型控制生成缺陷的属性以调整所述缺陷图像数据的分布特性，包括：

9、分析所述缺陷图像数据的分布规律；

10、收集所述分布规律数据并记录；

11、其中，所述分析所述缺陷图像数据的分布规律包括：

12、采用多尺度特征提取方法提取所述缺陷图像数据的局部特征和全局特征；

13、应用高维空间映射技术将所述局部特征和所述全局特征映射到高维空间内，以增强所述局部特征和所述全局特征的表达能力；

14、利用自适应学习机制调整所述局部特征和所述全局特征的重要性权重，以确定所述缺陷图像数据的分布规律。

15、可选地，所述利用基于深度学习的扩散模型对所述原始工业图像数据进行处理，以生成包含模拟缺陷的缺陷图像数据包括：

16、将所述原始工业图像数据转换为适用于所述扩散模型的输入格式；

17、利用所述扩散模型，在所述原始工业图像数据中添加随机噪声；

18、逐步去除所述原始工业图像数据中随机噪声，并根据添加随机噪声与去除随机噪声的过程之间的差异，确定模拟缺陷，并根据所述模拟缺陷生成包含模拟缺陷的缺陷图像数据；

19、其中，所述逐步去除所述原始工业图像数据中随机噪声包括：按照预定的噪声减少策略，逐步减少所述随机噪声，直至所述扩散模型生成的包含模拟缺陷的缺陷图像数据与所述原始工业图像数据的相似度满足预设阈值；

20、所述噪声减少策略包括：采用非均匀采样策略，根据所述扩散模型的生成误差动态调整噪声减少的步长和频率。

21、可选地，所述根据所述缺陷图像数据的分布特性，评估所述扩散模型的生成质量，包括：

22、根据所述缺陷图像数据的分布特性，计算所述扩散模型生成的缺陷图像数据与真实缺陷图像数据之间的相似度；

23、测量所述扩散模型的收敛速度；

24、计算所述扩散模型在生成缺陷图像数据过程中的训练时间；

25、测量所述扩散模型在生成缺陷图像数据后恢复至稳定状态所需的恢复时间；

26、测量所述扩散模型生成的缺陷图像数据所受的干扰变化，所述干扰变化至少包括特征向量场的散度、特征向量场的梯度以及特征向量场的拉普拉斯算子；

27、基于所述相似度、所述收敛速度、所述训练时间、所述恢复时间以及所述干扰变化，通过生成质量计算公式，计算出所述扩散模型的生成质量；

28、其中，所述生成质量计算公式包括：

29、

30、其中，表示为所述扩散模型的生成质量，表示为所述扩散模型生成的第个缺陷图像数据的特征向量，表示对应的真实缺陷图像数据的特征向量，表示为所述扩散模型在生成所述第个缺陷图像数据时的噪声水平，表示为样本数量，和分别表示特征向量场的散度、特征向量场的梯度的权重系数，表示特征向量场的散度，表示特征向量场的梯度，表示特征向量场的拉普拉斯算子，是拉普拉斯项的权重系数；

31、其中，用于衡量所述扩散模型生成的缺陷图像数据与真实缺陷图像数据之间的相似度，表示收敛速度，表示训练时间，表示恢复时间，其中，，表示达到收敛所需的迭代次数，表示收敛速度、训练时间以及恢复时间的权重系数，表示为一个小正数防止除零错误。

32、可选地，还包括：

33、通过公式：，计算所述扩散模型的生成时间稳定性；

34、其中，表示生成时间稳定性，表示生成第次迭代的持续时间，表示期望的迭代持续时间，是平滑性权重系数，表示迭代持续时间序列的平滑度；

35、基于所述扩散模型的生成时间稳定性，修正所述生成质量；

36、其中，修正后的生成质量公式表示为：

37、其中，表示修正后的生成质量，表示生成时间稳定性，表示一个介于0到1之间的权重系数，用来调整时间稳定性对生成质量的影响程度。

38、可选地，所述利用基于深度学习的扩散模型对所述原始工业图像数据进行处理，以生成包含模拟缺陷的缺陷图像数据，还包括：

39、对所述原始工业图像数据进行处理过程中，通过控制所述扩散模型中的噪声水平变化速率，以生成包含模拟缺陷的缺陷图像数据；

40、其中，所述控制所述扩散模型中的噪声水平变化速率包括：通过设定噪声变化的起始点、终点以及中间的转折点来模拟非线性的噪声变化路径；通过公式：

41、，计算所述噪声变化路径的一致性；基于所述噪声变化路径的一致性调节所述扩散模型中的噪声水平变化速率；

42、其中，表示噪声变化路径一致性，表示第j个转折点的噪声水平，表示初始噪声水平，表示转折点的数量，是一致性权重系数，表示噪声水平变化的方差，是偏度项的权重系数，表示噪声水平变化的偏度。

43、可选地，在所述根据所述生成质量调整所述扩散模型之后，还包括：

44、记录调整后的扩散模型在不同噪声水平下的生成效果；

45、分析所述生成效果中的缺陷发展情况，以确定所述扩散模型的生成能力；

46、其中，所述分析所述生成效果中的缺陷发展情况包括：记录缺陷在不同噪声水平下发展趋势，所述发展趋势至少包括缺陷的数量、大小、形状及变化率；通过公式：，评估所述缺陷发展情况对应的复杂度；

47、其中，表示缺陷发展情况对应的复杂度，表示第k个缺陷的发展程度，表示真实缺陷的发展程度，表示缺陷数量，是复杂度权重系数，complexity表示缺陷发展的复杂性；

48、通过公式：，预测调整后的扩散模型在特定应用场景下的适应性；

49、其中，表示为适应性，表示为与模型复杂度相关的常数，表示为生成质量，表示为噪声水平变化速率，表示为样本数量，是另一个权重系数，entropy表示概率分布的熵，是鲁棒性权重系数，robustness表示模型对扰动的鲁棒性；

50、通过公式：，预测调整后的扩散模型在特定应用场景下的综合性能；

51、其中，表示综合性能，表示适应性，是综合性能中适应性贡献的比例，表示功能性评价，是可靠性权重系数，表示模型预测的可靠性。

52、第二方面，本技术实施例提供一种基于扩散模型的工业图像数据增强及缺陷生成系统，包括：

53、获取模块，用于获取原始工业图像数据；

54、生成模块，用于利用基于深度学习的扩散模型对所述原始工业图像数据进行处理，以生成包含模拟缺陷的缺陷图像数据；

55、调整模块，用于通过所述扩散模型控制生成缺陷的属性以调整所述缺陷图像数据的分布特性；

56、评估模块，用于根据所述缺陷图像数据的分布特性，评估所述扩散模型的生成质量，所述生成质量用以指示所述扩散模型在不同噪声水平下的生成模拟缺陷的能力；

57、处理模块，用于根据所述生成质量调整所述扩散模型，并将获取的当前工业图像数据输入调整后的扩散模型，通过调整后的扩散模型对所述当前工业图像数据进行图像增强或生成对应的图像缺陷，以输出目标工业图像数据。

58、第三方面，本技术实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如第一方面任一项所述的一种基于扩散模型的工业图像数据增强及缺陷生成方法。

59、第四方面，本技术实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时，实现如第一方面任一项所述的一种基于扩散模型的工业图像数据增强及缺陷生成方法。

60、本技术实施例中，获取原始工业图像数据；利用基于深度学习的扩散模型对所述原始工业图像数据进行处理，以生成包含模拟缺陷的缺陷图像数据；通过所述扩散模型控制生成缺陷的属性以调整所述缺陷图像数据的分布特性；根据所述缺陷图像数据的分布特性，评估所述扩散模型的生成质量，所述生成质量用以指示所述扩散模型在不同噪声水平下的生成模拟缺陷的能力；根据所述生成质量调整所述扩散模型，并将获取的当前工业图像数据输入调整后的扩散模型，通过调整后的扩散模型对所述当前工业图像数据进行图像增强或生成对应的图像缺陷，以输出目标工业图像数据。本技术提供的技术方案能够提升缺陷检测的灵活性。

61、本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。