[发明专利]一种基于正例训练的表面缺陷检测方法有效

专利信息
申请号: 201810586872.9 申请日: 2018-06-08
公开(公告)号: CN108961217B 公开(公告)日: 2022-09-16
发明(设计)人: 李勃;赵之轩;赵鹏;董蓉 申请(专利权)人: 南京大学;南京汇川图像视觉技术有限公司;南京汇川工业视觉技术开发有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06T7/10;G06N3/04
代理公司: 南京天翼专利代理有限责任公司 32112 代理人: 奚铭
地址: 210046 江苏*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 训练 表面 缺陷 检测 方法
【说明书】:

一种基于正例训练的表面缺陷检测方法,包括图像重建和缺陷检测两个步骤,图像重建是将输入的原图重建为没有缺陷的图片,步骤为:在训练过程中给正例图片加入人造的缺陷和噪声,使用自编码器对其重建,计算重建结果和无噪声的原图之间的L1距离,最小化该距离作为重建目标,并配合生成对抗网络优化重建图效果;在获得重建图后进行缺陷检测:计算重建图和原图的LBP特征,将两张特征图做差后按固定阈值二值化即可找到缺陷。本发明使用深度学习的方法,在有足够的正样本时可以足够鲁棒不易受到环境变化的干扰,同时基于正例训练不依赖大量负例样本和人工标注,适合在真实的应用场景中使用,可以较好地检测出表面缺陷。

技术领域

本发明属于机器视觉技术领域,涉及产品表面缺陷检测,为一种基于正例训练的表面缺陷检测方法。

背景技术

在工业生产中,缺陷检测是一个非常重要的部分,它对最终产品的质量和产品在市场上的声誉有着重要的影响。在传统工业生产中,缺陷检测常常使用人眼来完成,这会造成如下的弊端:主观影响大,且人眼在大量重复的工作中会很容易出现漏检、错检的情况,而且人力资源成本是昂贵的。因此机器视觉代替人眼缺陷检测既可以降低成本又可以提高精度。

机器视觉算法在实际工业缺陷检测环境中会遇到许多问题和挑战,传统的机器视觉算法在缺陷检测中的应用常是基于特征提取配合模式识别的。然而传统的图像特征提取算子得到的特征常常是低阶的,在遇到光照变化、扭曲、遮挡、形变等情况时,特征算法通常无法有效提取目标的特征。深度学习在图像特征的提取上取得了非常好的成果,其中的代表就是卷积神经网络。卷积神经网络在各种有监督的问题上,如分类、目标定位、语义分割等,都取得了最高的精度。

现有使用深度学习技术进行表面缺陷检测的文献中,有使用深度卷积神经网络完成了钢轨表面的缺陷检测,它将正常钢轨图片和有缺陷钢轨图片分为6类,1类正确图片和5类缺陷图片,然后使用深度卷积神经网络DCNN进行分类来实现缺陷的检测;有结合区域筛选和卷积神经网络,对得到的区域进行检测和识别,完成胶囊表面缺陷的检测;有使用两个全卷积网络FCN语义分割网络进行缺陷检测,一个网络进行粗定位,一个网络进行细定位,画出缺陷的轮廓。

以上有监督的深度学习缺陷检测方法在实际的工业检测应用中会存在两个问题:

1、训练样本中缺陷样本不足

在实际问题中,训练样本里的缺陷种类总是偏少的,这导致了两方面的问题。一方面是训练过程中正负样本的数量极度不平衡;另一方面是实际使用时总会出现训练集中没有的缺陷形态。在实际缺陷形态无法预测的场景中,有监督的检测方法常常不能达到需要的精度。

2、标注信息昂贵

由于实际的缺陷检测应用通常有多种形态的缺陷,且不同现场的光照条件、客户需求都不一样。这就需要针对特定的需求人工标注大量的训练样本,这是需要消耗大量人力资源的。

针对以上监督学习算法在实际应用中存在的问题,本发明提出了一种基于正样本训练的缺陷检测方式。训练过程中只需提供足够的正样本,无需提供缺陷样本,且无需人工标注,就可以达到对缺陷检测的效果。

发明内容

本发明要解决的问题是:表面缺陷检测在实际的生存过程中,会遇到生产环境变化复杂、有监督的深度学习方法所需的大量缺陷样本和人工标注都不易获取的问题。

本发明的技术方案为:一种基于正例训练的表面缺陷检测方法,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L1loss,即优化目标;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京大学;南京汇川图像视觉技术有限公司;南京汇川工业视觉技术开发有限公司,未经南京大学;南京汇川图像视觉技术有限公司;南京汇川工业视觉技术开发有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810586872.9/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top