本发明属于自动化检测，具体涉及一种基于子空间的核燃料组件外观缺陷检测方法。
背景技术：
1、由于核燃料组件本身的特殊性，目前国内在该领域的自动化检测技术方面相对比较空白，本发明涉及到的组件缺陷检测方法就是基于上述背景提出。现有的核燃料组件缺陷检测方式，大体上可以归类为两种：
2、人工检测：目前核燃料组件的缺陷检测还是以人工检测为主，由于组件本身的特点，人工检测是一项费时费力的工作，同时，有些缺陷细小，再加上光线扰动，容易造成漏检和误判；并且由于人眼本身的局限性，在检测精度方面可能达不到很高，同时判断过程乏味冗长情况下易产生视觉疲劳，进一步加大了漏检和误检的可能性。
3、基于机器视觉的检测：这种方法采用摄像机采集数据再通过机器视觉方法进行判断。机器视觉方法以其在缺陷检测方面具有高精度、高效性、可靠性、自动化、灵活性、和降低成本等优势，广泛应用于工业生产。传统的机器识别方法很容易受到噪声的影响，精度较低，鲁棒性较差。基于深度学习的缺陷检测虽然精度较好，但是需要大量的样本数据，才能达到较好的效果，而在缺陷检测任务中，标注数据的过程往往比较复杂，且有时候很难获取到真实场景下的缺陷数据，因此很难满足传统深度学习模型训练的需求，同时对于一些未见过的缺陷，深度学习模型的泛化能力有限，可能造成缺陷的漏检或误检。
技术实现思路
1、本发明的目的在于提供一种基于子空间的核燃料组件外观缺陷检测方法，不依赖大量的缺陷样本数据，能够实现根据需求扩展或者删减缺陷类型数据，实现大幅降低人工操作甚至无人式的高效率、高准确率的核燃料组件外观缺陷的自动化检测。
2、为达到上述目的，本发明所采取的技术方案为：
3、一种基于子空间的核燃料组件外观缺陷检测方法，包括以下步骤：步骤1、模型训练；1.1数据集制作：采集容易得到的正常样本图像和带缺陷样本图像，并对带缺陷样本数据进行缺陷区域的标注；1.2神经网络模型设计；1.3模型训练；步骤2、模型推理；2.1输入图像，利用步骤1中设计特征提取器提取特征；2.2利用特征适配器对提取的特征进行映射得到适配特征图，并将适配特征图按行序转为通道序列数据；2.3将上一步生成通道序列数据输入到由判别器组构成的子空间进行投影计算。
4、1.2神经网络模型设计具体为：首先设计特征提取器，选择wideresnet50作为主干网络backbone，用于从不同层φ提取特征，定义l表示用于特征提取的网络层，来自于l∈l层的特征map被表示为其中hl，wl，cl分别是特征图的高度、宽度和通道数，xi表示第i个样本，对于任何输入在位置(h,w)上，它的patchsize近邻被定义为如下：
5、
6、然后使用聚合函数fagg聚合邻域的特征，得到如下所示：
7、
8、为连接来自不同层的所有的特征图被线性缩放到相同的大小(h0,w0)，分别表示特征图的高、宽，按通道连接特征图得到特征图如下所示：
9、oi＝fcat(resize(zl',i,(h0,w0))|l'∈l) (3)
10、其中，resize为缩放操作，fcat为通道连接操作，为oi在(h,w)位置上的入口；其次设计特征适配器，采用多层感知器将提取的特征从原始域转移到目标域；再次设计异常特征生成器，在特征空间中的正常样本上添加噪声获得异常样本，首先从高斯分布中采样一个噪声向量ε∈rc，那么，这个异常特征被表示为：
11、
12、h、w分别表示提取的特征图上的行和列，c表示特征图的特征维数，i表示第i个样本；最后设计子空间模型，由多个不相关的规范化后的判别器构成：
13、d＝{di＝flinear|i＝1,2,...,n} (5)
14、其中，flinear表示线性判别器，i表示第i个，d表示由这些线性判别器构成的子空间。
15、使用主干网络的第二、第三两个中间层提取特征。
16、1.3模型训练：首先采用主干网络backbone得到图像特征，然后使用特征适配器对得到的特征图进行处理得到适配特征图，特征维度设置为1536，同时使用异常特征生成器得到异常特征图，异常特征生成器采用高斯噪声ν(0,0.015)，并将得到的异常特征图与适配特征进行融合得到融合之后的异常特征图，最后将融合之后的异常数据或者真实异常数据与正常数据一起送入到由判别器组构成的子空间进行训练，损失函数定义如下：
17、dnorm＝fnorm(d＝{di＝flinear|i＝1,2,...,n}) (6)
18、m＝dnorm*dnormt (7)
19、l＝sum(fnorm(qtrue)·dnorm)+min(fnorm(qfake)·dnorm)+0.001*sum((triu(m*m)-triu(m)))(8)
20、其中，qtrue为正常样本，qfake为异常样本，fnorm表示规范化操作，flinear表示线性判别器，sum表示求和操作，min为取最小值操作，triu表示取上三角矩阵操作，不包括主对角线元素。
21、2.3将上一步生成通道序列数据输入到由判别器组构成的子空间进行投影计算，如下式所示：
22、o＝min(fnorm(q)·dnorm) (9)
23、其中，fnorm与dnorm如步骤1中所述，q为通道序列数据，当o小于0时，表示为异常样本，其他情况为正常样本。
24、通道序列数据对应原图不同的区域，当判定某个通道数据为异常时，在原图对应的区域上进行标定，完成缺陷的检测。
25、本发明所取得的有益效果为：
26、比传统的机器视觉方法精度高，比传统的深度学习算法更易于训练、适应性更强；不需要大量的缺陷样本数据训练；利用子空间为正常样本构建的一类模型，比传统的一类模型更加紧凑，更利于缺陷的检测。
1.一种基于子空间的核燃料组件外观缺陷检测方法，其特征在于：包括以下步骤：步骤1、模型训练；1.1数据集制作：采集容易得到的正常样本图像和带缺陷样本图像，并对带缺陷样本数据进行缺陷区域的标注；1.2神经网络模型设计；1.3模型训练；步骤2、模型推理；2.1输入图像，利用步骤1中设计特征提取器提取特征；2.2利用特征适配器对提取的特征进行映射得到适配特征图，并将适配特征图按行序转为通道序列数据；2.3将上一步生成通道序列数据输入到由判别器组构成的子空间进行投影计算。
2.根据权利要求1所述的基于子空间的核燃料组件外观缺陷检测方法，其特征在于：1.2神经网络模型设计具体为：首先设计特征提取器，选择wideresnet50作为主干网络backbone，用于从不同层φ提取特征，定义l表示用于特征提取的网络层，来自于l∈l层的特征map被表示为其中hl，wl，cl分别是特征图的高度、宽度和通道数，xi表示第i个样本，对于任何输入在位置(h,w)上，它的patchsize近邻被定义为如下：
3.根据权利要求2所述的基于子空间的核燃料组件外观缺陷检测方法，其特征在于：使用主干网络的第二、第三两个中间层提取特征。
4.根据权利要求3所述的基于子空间的核燃料组件外观缺陷检测方法，其特征在于：1.3模型训练：首先采用主干网络backbone得到图像特征，然后使用特征适配器对得到的特征图进行处理得到适配特征图，特征维度设置为1536，同时使用异常特征生成器得到异常特征图，异常特征生成器采用高斯噪声ν(0,0.015)，并将得到的异常特征图与适配特征进行融合得到融合之后的异常特征图，最后将融合之后的异常数据或者真实异常数据与正常数据一起送入到由判别器组构成的子空间进行训练，损失函数定义如下：
5.根据权利要求4所述的基于子空间的核燃料组件外观缺陷检测方法，其特征在于：2.3将上一步生成通道序列数据输入到由判别器组构成的子空间进行投影计算，如下式所示：
6.根据权利要求5所述的基于子空间的核燃料组件外观缺陷检测方法，其特征在于：通道序列数据对应原图不同的区域，当判定某个通道数据为异常时，在原图对应的区域上进行标定，完成缺陷的检测。
