产品表面缺陷检测方法及系统及设备及介质的制作流程

图片简介:

本技术介绍了一种产品表面缺陷检测方法及系统及装置及介质，包括：构建图片重构网络；采集无缺陷图片方法训练图片；利用训练图片训练图片重构网络，得到训练后的图片重构网络；采集待处理产品表面缺陷图片，将待处理产品表面缺陷图片输入训练后的图片重构网络，计算待处理产品表面缺陷图片与重构后的图片的特征值，并计算待处理产品表面缺陷图片与重构后的图片的特征值差值，基于特征值差值得到产品表面缺陷检测结果；本技术仅使用良品图片进行表面缺陷检测，本技术基于全卷积神经网络，通过重构良品图片学习到对表面缺陷的修复能力，从而实现对于各种表面缺陷的像素级识别能力。

技术要求

1.一种产品表面缺陷检测方法，其特征在于，所述方法包括：

构建图片重构网络，图片重构网络对图片的处理过程包括：下采样过程、上采样过程和

跨层链接过程；下采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后

利用激活函数进行激活；上采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后利用激活函数进行激活；跨层链接过程包括：将下采样过程中的若干特征图添

加到上采样过程中对应尺度的特征图上；

采集无缺陷图片得到训练图片；

利用训练图片训练图片重构网络，得到训练后的图片重构网络；

采集待处理产品表面缺陷图片，将待处理产品表面缺陷图片输入训练后的图片重构网络，计算待处理产品表面缺陷图片与重构后的图片的特征值，并计算待处理产品表面缺陷图片与重构后的图片的特征值差值，基于特征值差值得到产品表面缺陷检测结果。2.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，图片重构网络使用3*3的卷积层输出与输入图片通道数相同的重构图片，并使用激活函数将图片重构网络输出限制在-1到1范围内。

3.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，利用训练图片训练图片重构网络，得到训练后的图片重构网络，具体包括：

从训练图片集中提取若干原始图片，在提取的原始图片中添加随机缺陷或噪声，得到不良图片；

将不良图片输入图片重构网络进行计算，输出重构后的图片；

计算重构后的图片与对应原始图片之间的L1 loss与多尺度SSIM loss，并使用随机梯度下降法更新图片重构网络参数，训练至loss收敛时停止训练，得到训练后的图片重构网络。

4.根据权利要求3所述的产品表面缺陷检测方法，其特征在于，在提取的原始图片中添加随机缺陷的方式包括：在提取的原始图片中随机生成的几何图形，或从已采集的缺陷库中随机选取缺陷图块添加至提取的原始图片中，在提取的原始图片中添加噪声的方式包括：在提取的原始图片中随机产生噪声。

5.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，使用SSIM特征算法计算出待处理产品表面缺陷图片与重构后的图片的SSIM特征值，并计算待处理产品表面缺陷图片与重构后的图片的SSIM特征值差值，得到特征值差值图，二值化处理特征值差值图得到产品表面缺陷检测结果。

6.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，所述方法在获得训练图片后以及训练图片重构网络之前，还包括预处理训练图片，包括：

若训练图片的数量大于第一阈值，则筛选训练图片；

若训练图片的数量小于第二阈值，则对训练图片进行数据增强；

若训练图片的尺寸大于预设尺寸，则在训练图片上按固定步长滑动窗口裁剪出固定尺寸的图片块，作为后续训练图片使用。

7.根据权利要求6所述的产品表面缺陷检测方法，其特征在于，数据增强方法包括但不限于以下处理方式中的一种或几种，包括：随机裁剪训练图片、缩放训练图、旋转训练图、翻转训练图、随机调整训练图的亮度和随机调整训练图的对比度。

8.一种产品表面缺陷检测系统，其特征在于，所述系统包括：

图片重构网络构建单元，用于构建图片重构网络，图片重构网络对图片的处理过程包括：下采样过程、上采样过程和跨层链接过程；下采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后利用激活函数进行激活；上采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后利用激活函数进行激活；跨层链接过程包括：将下采样过程中的若干特征图添加到上采样过程中对应尺度的特征图上；

训练图片采集单元，用于采集无缺陷图片得到训练图片；

图片重构网络训练单元，用于利用训练图片训练图片重构网络，得到训练后的图片重构网络；

产品表面缺陷检测单元，用于采集待处理产品表面缺陷图片，将待处理产品表面缺陷图片输入训练后的图片重构网络，计算待处理产品表面缺陷图片与重构后的图片的特征值，并计算待处理产品表面缺陷图片与重构后的图片的特征值差值，基于特征值差值得到产品表面缺陷检测结果。

9.一种产品表面缺陷检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一个所述产品表面缺陷检测方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一个所述产品表面缺陷检测方法的步骤。

技术说明书

一种产品表面缺陷检测方法及系统及装置及介质

技术领域

本技术涉及智能制造与人工智能技术领域，具体地，涉及一种产品表面缺陷检测方法及系统及装置及介质。

背景技术

基于机器视觉的表面缺陷检测算法主要包括传统视觉方法与深度学习方法。传统视觉方法主要是基于人工设计的视觉特征进行的，如分水岭算法，LBP特征法等，深度学习方法主要是基于卷积神经网络进行的，如Faster RCNN算法、MASK RCNN算法等。目前在表面缺陷自动检测算法中深度学习方法的使用日趋流行。

目前使用深度学习的表面缺陷检测方法中，主要使用的是目标检测算法或语义分割算法等有监督学习方法。该类方法在实际应用中主要面临四个问题，其一，需要采集大量缺陷图片作为训练数据，实际生产中低概率缺陷图片的采集需要较高的时间成本和人力成本；其二，基于已有训练图片进行的表面缺陷自动检测算法无法应对生产中可能发生的未知的缺陷表现形态，基于有监督学习的方法可以实现对训练数据集内包含的缺陷形态的较好的泛化效果，而实际生产过程中突发的未知的新缺陷不存在于已有训练图片中，算法可能发生缺陷的漏检，造成生产损失；其三，需要大量人工标注的缺陷图片，目标检测与语义分割等人工标注的成本较高，所需时间较长，导致算法对生产情况变化的响应较慢，及时性较差；其四，较难适应新产品图片，在有监督学习中，没有缺陷的良品图片是作为负图片进行学习的，对于不存在于训练数据中的新产品图片，其背景可能发生较大变化，因此可能导致算法对于缺陷的过检，为解决该问题，需要及时投入人力采集与标注新产品图片，进而优化模型，导致算法更新较慢。

技术内容