[发明专利]一种基于正例训练的表面缺陷检测方法

权利要求书

1.一种基于正例训练的表面缺陷检测方法，其特征是包括以下步骤：

1)图像重建：

1a)在正例图片中加入随机的人造缺陷和噪声；

1b)设置自编码器将带人造缺陷和噪声的图片编码重构得到重建图片，计算重建图片和正例图片两者之间的L1距离，将最小化所述L1距离作为L1 loss，即优化目标，将带缺陷的样本重建为对应的无缺陷的样本；

1c)设置生成对抗网络GAN，将自编码器作为GAN的生成器，对重建图片进行GAN loss约束，约束目标为使重建图片的效果和真实图片尽可能相近，以改善图片模糊的问题，提升图像的逼真程度；

1d)将L1 loss和GAN loss叠加作为优化目标，对自编码器进行训练，在训练阶段调整自编码器的参数，使自编码器输出的重建图片在满足L1 loss的同时满足GAN loss；

2)进行缺陷检测：

2a)在测试阶段，将待检测图像经过训练好的自编码器，得到其对应的重建图片；

2b)对步骤2a)所得重建图片和待检测图像同时计算LBP特征，得到两张特征图，计算两张特征图对应位置的差值；

2c)将差值图二值化即可得到缺陷分割图。

2.根据权利要求1所述的基于正例训练的表面缺陷检测方法，其特征是步骤1a)中，生成随机形状、位置、大小、灰度值、数量的缺陷块加到图片中去，同时使用随机旋转、随机缩放和随机高斯噪声的数据增强手段，如下所示

x^～＝C(x) (1)

其中x表示正例图片，C表示缺陷生成器和数据增强部分，x^～表示添加了人造缺陷的正例图片。

3.根据权利要求1所述的基于正例训练的表面缺陷检测方法，其特征是步骤1b)中，定义L1距离作为重构误差，即L1 loss为：

其中G表示自编码器，x表示正例图片，G(x^～)表示重建图片，p_data(x)是x所满足的概率分布，指正例图片应满足的分布，自编码器将带缺陷的样本重建为对应的无缺陷的样本，最小化重构误差作为优化自编码器的优化目标。

4.根据权利要求1所述的基于正例训练的表面缺陷检测方法，其特征是步骤1c)中，将自编码器作为GAN的生成器，对重建图片通过GAN的判别器进行判别，GAN loss的目标函数为：

其中G即自编码器，D表示GAN中的判别器，x表示正例图片，G(x^～)表示重建图片，p_data(x)是x所满足的概率分布，指正例图片应满足的分布，在训练的过程中，判别器尽可能区分真或假的图片，自编码器尽可能生成可以通过判别器的图片，生成图片的质量在自编码器和判别器的不断博弈中提升。

5.根据权利要求1所述的基于正例训练的表面缺陷检测方法，其特征是步骤1d)中，L1loss和GAN loss结合方法为：

其中λ是平衡GAN loss和重构误差的参数。

6.根据权利要求1所述的基于正例训练的表面缺陷检测方法，其特征是步骤2b)中，待检测图像z和修复图y经过LBP算法处理得到特征图z⁺和y⁺后，对于z⁺的每个像素点，在y⁺对应位置的邻域搜索与该特征值最接近的值作为匹配点，将像素点与匹配点做差取绝对值，得到的值越小，表示该点是缺陷的可能性越低，步骤2c)中，对差值图使用固定阈值二值化，即可得到缺陷分割图。