[发明专利]基于正样本学习的半监督工业制品瑕疵检测方法及系统

说明书

一种基于正样本学习的半监督工业制品瑕疵检测方法及系统，通过正样本图像训练图像修复网络和瑕疵分割预测网络；采用含待测瑕疵的图像输入图像修复网络得到恢复后的正品图像，计算两者差值的绝对值后将三幅图像拼接得到检测张量，通过分割预测网络根据检测张量生成分割掩模二值图像，得到瑕疵区域。本发明使用半监督的深度学习方法，不需要提前标注像素级别的瑕疵位置数据，解决了瑕疵分割中的标注难题，只需要使用生产中的部分正品图像即可实现全自动化的训练学习，进行瑕疵分割和有无瑕疵的分类。并且能够对各类型异常瑕疵位置的像素进行分割。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于正样本学习的半监督工业制品，如钢制品、打印印刷纸制品、布匹纺织品等的瑕疵检测方法及系统。

背景技术

在工业生产中，由于各种原因，会产生各种瑕疵，例如污染、残缺、划痕、破洞。瑕疵种类繁多，形态复杂，肉眼识别难度较大。往往需要检测人员在生产线上人工的判断和筛选瑕疵品。现有瑕疵检测需要工人在高光照的情况下近距离判断每个样品的好坏，对视力带来很高的负担，识别过程不稳定容易受到其他因素影响，生产效率低下。随着人工智能和自动化技术的发展。工业上急需自动化的瑕疵检测技术。提高生产效率和品牌良品率，在生产过程中直接实时对产品表面进行视觉检测，挑选出瑕疵的产品。

现有的基于深度学习的瑕疵检测方法，有通过采集带有瑕疵图像，对瑕疵类型、位置、像素进行标注，制作数据集。使用像素位置和瑕疵有无作为神经网络监督，进行网络训练。但该类现有技术的数据集标注复杂，需要使用预先标注瑕疵位置的数据集进行训练，且该类技术只能对训练数据集内出现过瑕疵类型进行预测，无法对新的瑕疵类型进行预测。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于正样本学习的半监督工业制品瑕疵检测方法及系统，使用半监督的深度学习方法，不需要提前标注像素级别的瑕疵位置数据，解决了瑕疵分割中的标注难题，只需要使用生产中的部分正品(正样本)图像即可实现全自动化的训练学习，进行瑕疵分割和有无瑕疵的分类。并且能够对各类型异常瑕疵位置的像素进行分割。

本发明是通过以下技术方案实现的：

本发明涉及一种基于正样本学习的半监督工业制品瑕疵检测方法，通过正样本图像训练图像修复网络和瑕疵分割预测网络；采用含待测瑕疵的图像输入图像修复网络得到恢复后的正品图像，计算两者差值的绝对值后将三幅图像拼接得到检测张量，通过分割预测网络根据检测张量生成分割掩模二值图像，得到瑕疵区域。

所述的图像修复网络由UNet结构组成。

所述的瑕疵分割预测网络包括5层下采样结构和5层上采样结构。

技术效果

本发明整体解决了现有技术需要大量像素级别瑕疵区域手工标注的技术问题。与现有技术相比，本发明使用正样本无标签的训练策略，使用修复前后的对比信息更加精准的定位瑕疵的位置区域，不受产品本身图案的影响，不依赖大量的标注数据集，使用随机生成掩模用于破坏正品图像制造合成数据集，使用瑕疵分割网络以及两种损失函数进行端到端训练，实现在各种生产场景下的各种类型的瑕疵检测；能够更好的应对各种复杂的瑕疵场景，在各种情况下恢复产品的图像。

附图说明

图1为本发明流程图；

图2为实施例测试阶段示意图；

图3为瑕疵分割网络结构示意图；

图4为胶囊瑕疵检测结果示意图；

图5为木板瑕疵检测结果示意图；

图6为药片瑕疵检测结果示意图。

具体实施方式