基于Zernike逆变换的深度学习图像缺陷检测方法

本发明公开了基于Zernike逆变换的深度学习图像缺陷检测方法，涉及图像处理与人工智能技术领域，包括基于Zernike逆变换机制对图像进行重建；通过扰动Zernike矩的幅值、相位或维度，模拟伪缺陷图像；将原始图像与伪缺陷图像组合构建训练集，对深度学习图像检测模型进行联合训练，并通过标准交叉熵损失与Zernike结构保持损失构建总损失函数；在缺失真实缺陷数据的场景中，通过Zernike重建误差或Zernike空间中的离群程度进行弱监督图像缺陷检测训练。因此，采用上述基于Zernike逆变换的深度学习图像缺陷检测方法，适用于缺乏缺陷样本的情况，增强图像缺陷检测模型的鲁棒性。