[发明专利]一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法

说明书

一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法，该方法包括如下步骤：(1)获取图像并预处理；(2)训练集的建立；(3)卷积神经网络的建立与训练；(4)主动学习；(5)模型迭代；(6)在线检测。本发明对比现有技术相比：(1)使用卷积神经网络自动提取瓷砖表面缺陷的特征，在缺陷特征提取方面不再需要很好的先验知识，而且可以识别一张待检测图像中的多种缺陷类型；(2)通过在卷积神经网络训练中引入主动学习，有效减少样本的标注成本，加速模型的收敛。

技术领域

本发明属于缺陷检测识别技术领域，更具体地涉及一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法。

背景技术

在陶瓷墙地砖生产过程中，由于制造工艺的不当，或者搬运过程中的碰撞，瓷砖表面会出现缺釉，裂纹，刮痕等缺陷，这些缺陷会影响瓷砖作为建筑装饰材料的美观性，目前瓷砖表面缺陷检测仍大量依靠人工完成，这种方法不仅效率低下，且容易受到检测人员的直观感受影响，近年来，利用机器视觉的自动化检测产品表面缺陷方法不断得到重视。

现有技术已存在少量瓷砖表面缺陷检测方法，主要利用人工选择区分度高的特征并提取，然后通过BP神经网络、模板匹配等方法进行分类。上述方法需要很好的特征选择方面的先验知识,且针对不同的缺陷类型需要选择不同的特征，适用性差。近几年，深度学习方法在图像识别问题上有很高的准确率，虽然在瓷砖表面检测领域尚未应用，但在相邻技术领域已经出现。例如，公开号为CN104850858A的专利公开了“一种注塑制品缺陷检测方法”，包括以下步骤：采集正常和存在已知缺陷的注塑制品的图像；构建多层卷积神经网络并训练；将采集到的实测注塑制品图像经过灰度化，图像缩放和图像归一化后输入到已训练的网络模型并判断属于哪种缺陷类型。该方法改进了传统的缺陷检测方法，使用了一种“端到端”的模型，不再需要很好的缺陷特征方面的先验知识。但是该方法总共有4300张注塑制品样本图片需要标记，且需要识别的缺陷类型只有2种。瓷砖表面涉及的缺陷类型更多，为保证分类结果的准确率需要更多已标注的训练样本，给企业带来额外的标注成本。

在机器学习领域，可以采取主动学习的方法降低人工标注的工作量。主动学习的主要思想为；在大量未标记的样本中，采取特定的采样策略，挑选少量最具信息量的样本交给人类专家标注，并使用标记过的样本训练模型，实现对未知样本的分类。目前，主动学习方法根据样本挑选策略和样本数据的形式，可以分为基于“流”和基于“池”的两种方法。基于流的方法是指未标记样本一个一个进入分类器，分类器考虑是否对其标记，还是舍弃，这种方法时间复杂度很高。更为普遍的是基于池的主动学习方法，主要步骤是首先给予少量标注样本训练一个初始分类器，再在未标记样本中挑选一些样本标记，并将其加入到训练集中重新训练分类器，如此循环直到达到某个条件停止。

发明内容

本发明要克服现有技术的不足，提供一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法，通过卷积神经网络可以避免人工选择特征，并结合主动学习降低样本的人工标注量。

本发明的基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法，包括如下步骤：

步骤1、获取含缺陷的瓷砖表面图像，数量应不少于1000张，并进行预处理；

步骤2、对预处理后的瓷砖表面图像通过滑动窗口法获得更多的图像块，其集合为U，

对其均分成5份，即U＝{U₁,U₂,U₃,U₄,U₅}，对U₁进行标注作为初始训练集；

步骤3、建立卷积神经网络，并使用U₁作为当前训练集U_real训练；