(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211002559.9 (22)申请日 2022.08.22 (65)同一申请的已公布的文献号 申请公布号 CN 115082722 A (43)申请公布日 2022.09.20 (73)专利权人 四川金信石信息技 术有限公司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都高新区和乐二街 171号B6栋1单元13楼1320号 (72)发明人 杜成龙　张学敏　李孟福　沈建军　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 专利代理师 何筱茂 (51)Int.Cl. G06V 10/762(2022.01)G06V 10/82(2022.01) G06V 10/75(2022.01) G06V 10/40(2022.01) G06V 10/26(2022.01) (56)对比文件 CN 114897863 A,2022.08.12 CN 114913176 A,202 2.08.16 CN 113971649 A,202 2.01.25 CN 113066079 A,2021.07.02 US 20201049 93 A1,2020.04.02 周强等.基 于极坐标计盒 维数的圆形通 孔缺 陷检测. 《陕西科技大 学学报(自然科 学版)》 .2017,第3 5卷(第01期),第16 6-173页. 审查员 代冯楠 (54)发明名称 基于正向样本的设备缺陷检测方法、 系统、 终端及介质 (57)摘要 本发明公开了基于正向样本的设备缺陷检 测方法、 系统、 终端及介质， 涉及设备缺陷检测技 术领域， 其技术方案要点是： 基于正向样本对目 标设备的待测图进行缺陷对比分析， 得到待测图 的特征分布图； 对特征分布图中的特征点进行聚 类分析， 确定至少一个聚类中心； 以聚类中心为 起始点向不同的方向发射集 成特征点， 得到特征 点的主干线分布图； 以主干线分布图中聚类中心 和各个主干线的分布形态匹配确定目标设备的 设备缺陷类型。 本发明仅依 赖非常容易获取到的 无缺陷的正向样本图片， 并结合深度学习实例分 割出设备主体， 排除干扰项后进行设备缺陷检 测， 克服了深度学习算法对于缺陷样本的深度 依 赖问题。 权利要求书3页 说明书6页 附图6页 CN 115082722 B 2022.11.01 CN 115082722 B 1.基于正向样本的设备缺陷检测方法， 其特 征是， 包括以下步骤： 基于正向样本对目标设备的待测图进行缺陷对比分析， 得到待测图的特 征分布图； 对特征分布图中的特 征点进行聚类分析， 确定 至少一个聚类中心； 以聚类中心为起始点向不同的方向发射集成特征点， 得到特征点的主干线分布图； 以 聚类中心为原点， 通过在半径不断增大的圆形轨迹线 上对所属分布范围内的特征点进 行聚 类处理， 并在预设夹角范围或预设偏角范围的约束下， 得到表征特征点分布细节的主干线 分布图； 以主干线分布图中聚类中心和各个主干线的分布形态匹配确定目标设备的设备缺陷 类型； 所述特征分布图的获得 过程具体为： 采用预训练的实例分割 模型分别对正常无缺陷的基准图、 待缺陷检测的待测图进行设 备主体分割、 灰度图预处理以及特征点提取， 得到基准图的第一特征集以及待测图的第二 特征集； 依据第一特 征集、 第二特 征集进行 特征点匹配和图像 配准处理， 得到配准图； 将配准图与基准图做差分处 理， 得到差分图； 对差分图进行 形态学处 理， 得到形态图； 依据形态图中的特 征轮廓将形态图还原至待测图， 得到  待测图的特 征分布图。 2.根据权利要求1所述的基于正向样本的设备缺陷检测方法， 其特征是， 所述实例分割 模型的预训练过程具体为： 获取不含缺陷的设备的正向样本； 确定实例分割标准格式， 并对正向样本进行标注处理， 以确定正向样本中的设备主体 和标签； 将标注处 理后的正向样本 输入神经网络模型进行训练， 得到实例分割模型。 3.根据权利要求1所述的基于正向样本的设备缺陷检测方法， 其特征是， 所述配准图的 获得过程具体为： 将第一特 征集和第二特 征集进行 特征点匹配  ， 确定最优匹配点； 依据最优匹配点估算得到图像 变换模型； 依据图像 变换模型对待测图和最优匹配点进行变化处 理， 得到配准图。 4.根据权利要求1所述的基于正向样本的设备缺陷检测方法， 其特征是， 所述主干线分 布图的获得 过程具体为： 以固定距离为间隔建立覆盖范围序列； 以聚类中心为原点以及以覆盖范围序列中的覆盖范围值 为半径建立多个圆形轨 迹线； 对特征分布图中处于圆形轨迹线的分布范围内的特征点进行聚类分析， 确保聚类后的 聚类子中心分布在圆形轨 迹线上， 得到 至少一个聚类子中心； 以聚类中心为起始点， 将处于预设夹角范围内不同圆形轨迹线上的聚类子 中心依次连 接， 得到至少一条主干线轨 迹； 预设夹角范围为扇形区， 且预设夹角范围的分布方向以确保靠近聚类中心的多个圆形 轨迹线上均存在聚类子中心进行选取； 将所有的主干线轨 迹集成后得到特 征点的主干线分布图。权　利　要　求　书 1/3 页 2 CN 115082722 B 25.根据权利要求1所述的基于正向样本的设备缺陷检测方法， 其特征是， 所述主干线分 布图的获得 过程具体为： 以固定距离为间隔建立覆盖范围序列； 以聚类中心为原点以及以覆盖范围序列中的覆盖范围值 为半径建立多个圆形轨 迹线； 对特征分布图中处于圆形轨迹线的分布范围内的特征点进行聚类分析， 确保聚类后的 聚类子中心分布在圆形轨 迹线上， 得到 至少一个聚类子中心； 以聚类中心为起始点， 将处于预设偏角范围内不同圆形轨迹线上的聚类子 中心依次连 接， 得到至少一条主干线轨 迹； 预设偏角范围由预设正偏角值和预设负偏角值确定， 并以靠近聚类中心侧的前两个圆 形轨迹线上聚类子中心的连线延长线作为表示0偏角值的零界线， 同时以前一个圆形轨迹 线上聚类子中心作为偏角原点， 以及以预设正偏角值、 预设负偏角值为偏幅确定当前圆形 轨迹线的预设偏角范围； 将所有的主干线轨 迹集成后得到特 征点的主干线分布图。 6.根据权利要求4或5所述的基于正向样本的设备缺陷检测方法， 其特征是， 所述圆形 轨迹线的分布范围具体为： 以相邻圆形轨 迹线之间的中点线分别确定圆形轨 迹线的内侧边界线和外侧边界线； 以内侧边界线和外侧边界线构成的环形区域确定相应圆形轨 迹线的分布范围。 7.基于正向样本的设备缺陷检测系统， 其特 征是， 包括： 对比分析模块， 用于基于正向样本对目标设备的待测图进行缺陷对比分析， 得到待测 图的特征分布图； 聚类分析模块， 用于对特 征分布图中的特 征点进行聚类分析， 确定 至少一个聚类中心； 特征集成模块， 用于以聚类中心为起始点向不同的方向发射集成特征点， 得到特征点 的主干线分布图； 以聚类中心为原点， 通过在半径不断增大 的圆形轨迹线上对所属分布范 围内的特征点进行聚类处理， 并在预设夹角范围或预设偏角范围的约束下， 得到表征特征 点分布细节的主干线分布图； 缺陷匹配模块， 用于以主干线分布图中聚类中心和各个主干线的分布形态匹配确定目 标设备的设备缺陷类型； 所述特征分布图的获得 过程具体为： 采用预训练的实例分割 模型分别对正常无缺陷的基准图、 待缺陷检测的待测图进行设 备主体分割、 灰度图预处理以及特征点提取， 得到基准图的第一特征集以及待测图的第二 特征集； 依据第一特 征集、 第二特 征集进行 特征点匹配和图像 配准处理， 得到配准图； 将配准图与基准图做差分处 理， 得到差分图； 对差分图进行 形态学处 理， 得到形态图； 依据形态图中的特 征轮廓将形态图还原至待测图， 得到  待测图的特 征分布图。 8.一种计算机终端， 包含存储器、 处理器及存储在存储器并可在处理器上运行的计算 机程序， 其特征是， 所述处理器执行所述程序时实现如权利要求 1‑6中任意一项 所述的基于 正向样本的设备缺陷检测方法。 9.一种计算机可读介质， 其上存储有计算机程序， 其特征是， 所述计算机程序被处理器权　利　要　求　书 2/3 页 3 CN 115082722 B 3