[发明专利]一种基于生成对抗网络的橡胶手套缺陷检测方法

说明书

一种基于生成对抗网络的橡胶手套缺陷检测方法属于工业生产中橡胶手套的缺陷检测领域，解决目前工业生产线上主要依赖的人工目检效率低，人工成本高，检测精度不佳等问题，并解决实际工业生产中无法提供大量缺陷样本用于深度学习模型训练的情况。具体方法流程：采集橡胶手套图像，经过图像预处理，输入橡胶手套的正常样本对网络模型进行训练，使网络获取正常样本的特征分布并可以生成逼真的重建图像，训练收敛后输入测试样本，因模型只根据正常样本进行了优化，所以通过对重建图像的异常评分即可判断输入样本是否存在缺陷。

技术领域

本发明属于工业生产中橡胶手套的缺陷检测领域，具体是一种仅依靠正常样本数据进行训练学习的橡胶手套缺陷检测方法。

背景技术

通过对橡胶手套的生产制造市场调研分析发现，橡胶手套在医疗、工业、食品、餐饮等行业广受青睐，且全球有一半以上的橡胶手套生产地是中国。据相关数据显示，在未来十年全球对一次性橡胶手套的需求量大约为1300亿只，我国的总出口额也将达到14.2亿美元。面对如此大的需求量，在产品质量方面也引起橡胶手套生产制造商的高度重视，如何使橡胶手套生产企业节约生产成本、提高生产质量成为研究的一个热点。

目前橡胶手套大都采用流水线的生产方式，在复杂的工艺流程中，难免会由于机械故障、人为失误等原因导致残次品的产生，因此缺陷检测是工作量大且必不可少的环节。目前大多数生产线的橡胶手套缺陷检测分为两个环节，第一次是手套在脱模之前工人靠肉眼检查是否有残次品，第二次是在包装前按批次的抽取部分产品进行检测，这两次检测都是靠人工完成。人工目检检测精度和效率低，人力成本耗费较大，且经常会出现漏检误检等情况，造成产品生产的总体质量下降。

现如今工业生产制造的水平发展迅猛，人们对橡胶手套一类的日用产品质量要求也不断提高，生产环节中的缺陷检测技术也越来越受到重视。传统的人工目检法已经与现代的工业生产技术相互脱节，无法适用，而基于机器视觉、模式识别的缺陷检测技术逐渐成为在工业生产中的关键技术和发展潮流。随着深度学习技术的发展，深度神经网络应用于工业生产中的检测也成为研究的热点。深度学习可自主学习所建模数据潜在分布的多层表征，深度神经网络可逐层提取所检测目标的特征，通过大量的训练数据形成对目标对象的独特认识，最终完成网络中的重要参数的最优化。其最大优势即无需人为进行特征分析与特征提取，而是通过神经网络进行自动提取，具有强鲁棒性与自适应性。

尽管深度学习在视觉检测一类任务上表现出较好的性能，但监督性学习的方法在很大程度上依赖大型的，有标记的数据集，通常需要有大量的缺陷样本来支持神经网络的训练，通过学习缺陷的特征分布从而进行检测，且数据集的标注工作也需要耗费大量的人力和时间成本。在许多实际的工业生产过程中，随着技术的提高，生产的不良率大大降低，目前橡胶手套实际生产中的产品合格率基本保持在99％以上，因此很难在实际生产中获取大量的缺陷样本。因此目前主流的监督性学习方法用于解决工业生产中缺陷检测的实际问题并不适用，存在一定的局限性和困难。

发明内容

本发明主要目的在于提出一种基于生成对抗网络的橡胶手套缺陷检测方法，该方法能够实际应用到橡胶手套的生产制造过程中，替代目前大部分的人工目检检测方式，实现基于机器视觉的橡胶手套缺陷检测。本发明旨在解决以下问题：

1.工业生产线上的橡胶手套缺陷检测主要依赖人工目检的方式，该方法效率低，人工成本高，检测精度不佳；

2.目前应用于工业生产的缺陷检测神经网络模型大部分都依赖大型的标注数据集，需要大量的缺陷样本进行网络训练，不符合工业生产中的实际情况，无法提供大量缺陷样本并进行人工标注。

为解决上述问题，本发明提出一种基于无监督学习网络模型GANomaly的缺陷检测方法，解决工业生产中橡胶手套的缺陷检测问题，并对模型改进以对橡胶手套上的微小缺陷有更好的检测效果；模型仅基于正常样本在无监督条件下通过对抗训练的方式进行学习，获取正常样本的分布特征并达到良好的图像重建效果，解决实际工业生产中数据资源高度失衡，无法获取大量缺陷样本数据，人工标注数据成本高等问题。