[发明专利]一种基于全卷积自编码器网络的无监督瑕疵检测方法

权利要求书

1.一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，包括以下步骤：

S1、构建用于自编码器模型训练与测试的瑕疵图像数据库，自编码器模型包括编码器和解码器；

S2、将图像输入编码器，经过多层的全卷积网络，映射到编码空间；具体包括以下步骤：

S2.1、将训练集中的灰度图像除以255使得输入分布在于0-1区间，便于模型处理；采用三个大小为1*1或3*3的小卷积核的卷积层直接连接构成一个卷积模块，在获得同等视野域的情况下，减少计算量与参数量；移除池化层，在卷积模块最后一层采用卷积步长为2，进行对特征图的压缩；

S2.2、通过堆叠四个卷积模块实现对图像的特征提取，由于灰度图像信息维度少于彩色图像，因此在选择卷积核深度时，对卷积核深度进行压缩，从而减少计算量，同时也避免模型产生过拟合现象；最后将特征图输入至一个卷积核为3*3，步长为2的卷积层，将图像压缩成编码向量，令其包含图像的深度信息；编码器网络层数总共17层，图像经过编码网络处理后压缩形成三维的编码向量；

S3、将编码向量输入到解码器，经过的反卷积网络，得到与原图像相似的图像；采用解码器将图像压缩后的编码向量还原成原来的图像，采用反卷积层对特征图进行上采样，在低层的部分，采用3个大小为1*1或3*3的小卷积核的反卷积层进行堆叠，获取纹理细节；随后分别连接两个大小为5*5和7*7的大卷积核的反卷积层，通过更大的视野域，更好地融合特征信息，从而更完整地还原出原始图像；因此，编码向量经过5个反卷积层，得到一张生成图，其分辨率与原图相同；

S4、计算图像的重构误差，进行平滑处理和孤立点消除后，检测出瑕疵区域；包括以下步骤：

S4.1、对原图与生成图进行比较，计算两者每一个像素的平方误差，得到重构误差，计算公式方式如下：

其中e_x,y表示图像横纵坐标x、y处的重构误差，p_x,y表示原图中坐标x、y的像素值大小，表示生成图中坐标x、y的像素值大小；如果输入图像为正常图，则图像能够很好的被还原，重构误差很小即每个像素点差异不超过10，整个图像的重构误差构成重构误差图；而针对瑕疵区域，经过编码器与解码器构成的自编码器网络后，生成图像会修复瑕疵区域，因而该瑕疵区域的重构误差会很大，从而对瑕疵进行检出；

S4.2、由于瑕疵区域在像素上的连续性，为了减少异常值产生的检测误差，采用一个中值滤波器对重构误差图进行处理，使得重构误差结合了周围区域的信息，提升了检测的鲁棒性；中值滤波器通过一个同等窗口大小的卷积层等效进行实现；

S4.3、将训练集中的正常无瑕疵图像输入模型进行还原，计算出正常图像的重构误差分布；根据实际检测需求对误判率进行设置，设置第一阈值为t1，重构误差大于t1的像素点标记为瑕疵像素；基于噪声的随机性，采用计算重构误差图上连通域区域的方法对孤立的噪点进行去除，此时设置第二阈值为t2，即瑕疵区域联通面积至少t2个像素点才能判断为瑕疵。

2.根据权利要求1所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S1包括以下步骤：

S1.1、利用工业摄像机实时获取生产图像，摄像机拍摄的图像为灰度图像；

S1.2、由于正常工作下拍摄产生的图像均为正常无瑕疵样本，获取容易，实时拍摄足够的无瑕疵图像作为训练集；根据瑕疵产生原因，人为制造各类瑕疵图像，并进行拍摄，最终生成对应的瑕疵图像，与正常图像共同构成测试集，用于评价自编码器模型的性能。

3.根据权利要求2所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S1.1中，根据生产实际条件，根据产品生产速度与摄像头拍摄到图像面积，确定工业摄像机拍摄的帧率，以保证能够完整清晰地拍摄下产品全貌。

4.根据权利要求1所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S4.2中，所述中值滤波器的窗口大小根据实际需求进行调整。