[发明专利]基于样本增强的工业产品表面缺陷检测方法

说明书

本发明公开了一种基于样本增强的工业产品表面缺陷检测方法，包括步骤：1)对工业产品表面图像进行尺寸标准化、归一化，切割并分类；2)带缺陷的图片进行随机翻转的数据增强；3)将带缺陷图片和正常图片进行随机拼接增强；4)使用Cascade‑RCNN算法进行迭代训练；5)得到Cascade‑RCNN检测模型；6)通过Cascade‑RCNN检测模型对需要检测的工业产品表面图片和确定无缺陷的纹理模板图片进行滑窗检测，对滑窗检测到的结果进行拼接，并对二者得到的结果进行比较，最终得到待检测图片的缺陷类别及区域标注。本发明可有效降低光照、曝光和位移等条件对缺陷检测的影响，提高了检测稳定性，同时提高了二阶段目标检测器对花纹和背景的分辨能力，降低了误检率。

技术领域

本发明涉及工业产品表面缺陷检测的技术领域，尤其是指一种基于样本增强的工业产品表面缺陷检测方法。

背景技术

缺陷检测是生产流程中的重要一环，它保障了工业产品的可靠性。工业产品的表面缺陷检测需要对表面上的缺陷位置进行精确定位，并对定位后的缺陷进行分类，是一个典型的目标检测问题。在此之前，工业产品的表面缺陷检测技术通常使用传统机器视觉技术，进行图片灰度二值化、边缘轮廓提取以及模板匹配等操作，此类的缺点是对图片的光照、位移等变化十分敏感，鲁棒性较差。此外，之前的表面缺陷检测研究都是基于纯色产品表面，由于带特殊纹理的产品表面纹理特征和缺陷纹理特征相近，在此之前的方法难以将二者区别开来。

深度学习中的目标检测由卷积神经网络作为特征提取器，其提取出来的特征图对光照、位移等变化不敏感，鲁棒性较好。由区域提议网络(Region Proposal Network)和分类回归网络组成了一个两阶段目标检测器，区域提议网络负责生成目标可能所在区域的建议，分类回归网络对建议的区域进行分类，并对标注框进行微调。网络的函数由分类损失和回归损失加权组成，并采用随机梯度下降法进行反向传播迭代。

现有的两阶段深度学习目标检测器精度较高，通用性也较好，但在带纹理的表面缺陷检测中仍然存在难以分辨缺陷和背景纹理，不带缺陷的正常图片无法参与模型训练以及工业产品的图片对显存需求较大等问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于样本增强的工业产品表面缺陷检测方法，可有效降低光照、曝光和位移等条件对缺陷检测的影响，提高了检测稳定性，同时提高了二阶段目标检测器对花纹和背景的分辨能力，降低误检率。

为实现上述目的，本发明所提供的技术方案为：基于样本增强的工业产品表面缺陷检测方法，包括以下步骤：

1)对工业产品表面图片集进行尺寸标准化操作，其中含有缺陷的图片有对应的缺陷标注文件，对缺陷图片以及每张图片对应缺陷标注文件进行切割操作，并根据切割后的标注划分为正常图片集和缺陷图片集；

2)将步骤1)得到的缺陷图片集进行归一化和在线随机数据增强，包括上下左右随机翻转，并划分批次；

3)对于步骤2)一个批次中的每一张缺陷图片，在正常图片集中随机寻找一张与之对应切割位置相同，且纹理模板图案相同的正常图片，与缺陷图片进行左或右的拼接操作，并相应地修改标注文件；

4)将步骤3)得到的每个批次的图片和标注，使用Cascade-RCNN算法进行迭代训练，训练完所有批次后完成一个轮次的训练；

5)完成一个轮次的训练后，重复进行步骤2)至步骤4)，直至达到设定的迭代轮次，把网络中的参数输出并保存，得到Cascade-RCNN检测模型；

6)利用步骤5)得到的Cascade-RCNN检测模型对需要检测的工业产品表面图片和确定无缺陷的纹理模板图片进行滑窗检测，对滑窗检测到的结果进行拼接，并对二者得到的结果进行比较，最终得到待检测图片的缺陷类别及区域标注。