[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

说明书

本发明公开了一种基于全卷积自编码器网络的无监督瑕疵检测方法。所述方法包括以下步骤：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；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；将编码向量输入到解码器，经过的反卷积网络，得到与原图像相近的图像；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。与传统方法相比，本发明无需瑕疵样本进行模型训练，准确性更高，同时具有较好的鲁棒性。本发明的检测方案满足实时性的要求，能有效对样本进行瑕疵检出。

技术领域

本发明涉及计算机视觉，深度学习与异常检测领域，特别涉及一种基于全卷积自编码器网络的无监督瑕疵检测方法。

背景技术

如今，随着计算机技术与硬件的高速发展，工业生产自动化已经成为一个发展现代化国家的必然趋势。自动化生产过程中，对产品进行瑕疵检测，保证产品的生产质量，是不可或缺的一个环节。传统的人工检测过程效率十分低下，检测过程的单调性与重复性使得工人容易产生疲劳，劳动强度大，人工检测准确率较低。基于计算机视觉的瑕疵检测系统则有力地能够解决以上问题。

目前瑕疵检测方法有基于像素的统计特征来进行图像灰度对比来进行检测疵点的统计法，其主要利用形态学法(Chetverikov D,Hanbury A.Finding defects intexture using regularity and local orientation[J].Pattern Recognition,2002,35(10):2165-2180.)、共生矩阵法 (董蓉,李勃.基于最优参数非线性GLCM的织物瑕疵检测算法[J].计算机工程与设计)、分形法(Sari-Sarraf H,Goddard J S.Vision system foron-loom fabric inspection[J].IEEE Transactions on Industry Applications,2002,35(6):1252-1259.)等方法提取图像中灰度变化，纹理等特征，从而确定相关阈值，分割开瑕疵区域与正常区域。而频谱法主要利用傅里叶变换法(Chan C H,Pang G K H.Fabricdefect detection by Fourier analysis[J].IEEE Transactions on IndustryApplications,2000,36(5):1267-1276.)、小波变换法(Jasper W J,Garnier S J,Potlapalli H. Texture characterization and defect detection using adaptivewavelets[J].Optical Engineering,1996, 35(11):3140-3149.)、Gabor变换法(Kumar A,Pang G.Fabric defect segmentation using multichannel blob detectors[J].Optical Engineering,2000,39(12):3176-3190.)等方法，将图像信号从空域变换到频域，凸显出瑕疵区域的差异。以上方法缺点在于需要针对瑕疵特性进行特征提取分析，泛化性能较差。而利用机器学习的方法学得数据分布的方法，也需要进行特征提取以获得更好的性能。近年来，随着深度学习理论的发展，深度网络与卷积网络广泛地应用到特征提取，分类，检测等任务中，并且取得了良好的结果(Wang,Tian,Chen,Yang,Qiao, Meina.A fastand robust convolutional neural network-based defect detection model inproduct quality control[J].International Journal of Advanced ManufacturingTechnology.)。但深度学习需要大量的标记样本才能取得较好的效果，标注的成本往往相当昂贵。

本发明提出基于全卷积自编码器网络的无监督瑕疵检测方法，解决检测系统中检测准确率低下，瑕疵样本难以获得的问题。本发明具有良好的检测效果与实时性，具有良好的工业应用前景。

发明内容