[发明专利]一种频率空间域特征的工业产品表面缺陷分割方法及系统

说明书

本发明提供一种频率空间域特征的工业产品表面缺陷分割方法及系统，其特征在于，采用预先训练完成的缺陷分割模型对预处理过的待测工业产品表面图片进行处理，得到预测的缺陷分割图片从而完成对工业产品表面缺陷的像素级精确分割，缺陷分割模型的训练过程包括如下步骤：步骤S1，获取预先标注的工业产品表面缺陷数据集作为初始训练集；步骤S2，对初始训练集进行预处理形成待使用训练集；步骤S3，构建拥有两个子网络的缺陷分割模型，缺陷分割模型包含一个主网络以及一个辅网络；步骤S4，构建损失函数；步骤S5，基于待使用训练集以及损失函数对缺陷分割模型进行训练。

技术领域

本发明属于机器视觉领域，具体涉及一种结合频率域和空间域特征的工业缺陷检测方法模型与系统。

背景技术

工业缺陷检测是现代生产生活中必不可少的一个组成部分，在包括钢铁，手机屏幕，手机背板，手机外壳，道路建设等众多生产领域，缺陷检测都作为生产工作的重要一环，用以确保产品的质量和安全，而产品表面缺陷的检测是其中的重点，其不仅关系到产品的美观，更关系到产品的安全。由于工业产品的产量大，对大量的产品进行表面缺陷检测标注需要消耗的人与物力也成为了棘手的问题。针对这个问题，一个有效的解决方法就是利用机器代替人，自动提取视频中有用的信息进行分析。因此，工业缺陷检测已经成为了计算机视觉尤其是机器视觉中一个受到较多关注的主题。

一般在工业产品检测中，检测员会根据看到的产品分析其是否存在缺陷，如果存在缺陷，需要检测员标记处缺陷的位置，以及具体缺陷的大小。近年来机器学习方法在图像理解分析领域应用愈加广泛，但是由于工业产品表面缺陷情况复杂多样，很多缺陷难以检测，造成机器学习方法在这方面的应用效果比较差。

文献[1,2]使用统计学上的方法(比如：直方图算法和局部二值模式等)来获取纹理特征，进而利用支持向量机(SVM)等方法分析出缺陷的位置和类型，但是这些方法往往计算复杂，计算速度慢且精确度低。

文献[3]使用深度学习的方法来提取深度特征，利用深度特征对金属表面缺陷进行检测和分类，但是由于其只是利用检测框标记出缺陷位置，缺乏足够的精细度。

[1]Robert M Haralick and others.1979.Statistical and structuralapproaches to texture.Proc.IEEE 67,5(1979),786–804.

[2]Xianghua Xie and Majid Mirmehdi.2005.Texture exemplars for defectdetection on random textures.In International Conference on PatternRecognition and ImageAnalysis.Springer,404–413.

[3]Tao X,Zhang D,Ma W,et al.Automatic metallic surface defectdetection and recognition with convolutional neural networks[J].AppliedSciences,2018,8(9):1575.

发明内容

为解决上述问题，提供一种能够自动对工业产品表面图片中的缺陷进行像素级别的精确分割的分割方法与系统，本发明采用了如下技术方案：