[发明专利]一种基于半监督语义分割的工业设备表面裂纹检测方法及系统

说明书

本发明提供一种基于半监督语义分割的工业设备表面裂纹检测方法及系统。本发明包括如下步骤：获取设备表面带裂纹的原始图片，进行像素级别的缺陷标注；将原始图片输入进深度卷积生成对抗网络进行训练，获得不带标签训练集；构建半监督语义分割网络SE‑Net，将带标签训练集和不带标签训练集输入进SE‑Net进行监督学习与无监督学习相结合的训练；生成器生成裂纹分割图像，鉴别器SE‑DNet对分割结果进行鉴别，判断输入属于标记图像还是SE‑GNet生成的图像；将待检测样本图像输入到训练好的SE‑GNet网络进行裂纹检测，得到对应输出的裂纹检测结果。本发明在工业设备裂纹数据集不充足的情况下，显著提高了网络的拟合能力，减轻了人工标注工作量。

技术领域

本发明涉及工业设备表面裂纹检测技术领域，尤其涉及一种基于半监督语义分割的工业设备表面裂纹检测方法及系统。

背景技术

工业设备表面一旦出现裂纹，将会直接影响设备运转的整体性能，进而引发各种安全隐患，所以工业设备的质量检测是工业生产中不容忽视的一个重要环节。通常情况下，工业设备的质量检测由人工培训来识别复杂的表面缺陷，然而，这种检测方式非常耗时、低效，严重制约了生产效率的提升，因此找到一种在保证检测结果准确率的基础上提升检测速度的方法就显得尤为重要。

目前深度学习方法已经成为计算机视觉领域最常用的方法，其中基于数字图像处理的语义分割技术由于具有人工成本低和检测结果稳定可靠等特点，被广泛地应用于缺陷检测领域，例如带钢的表面缺陷识别等。通过设计包含多个卷积层的卷积神经网络，网络可以处理具有复杂纹理特征的工件图像。将其代替传统计算机视觉算法作为系统的图像处理算法，系统的工件缺陷检测能力将得到极大地提高。

由于图像处理手段在工业设备中的限制，即深度学习技术依赖于大量的数据训练模型保证结果的精度，而目前工业领域能获取的裂纹样本数量有限就成为了一大问题；同时裂纹的小目标问题及检测模型的实时性问题，也是目前语义分割检测技术面临的挑战。

发明内容

根据上述提出的技术问题，而提供一种基于半监督语义分割的工业设备表面裂纹检测方法及系统。本发明提供一种基于半监督语义分割模型进行工业设备表面裂纹检测的方法，使用传统监督学习和无监督学习相结合的方式，在带标记数据集有限的情况下，使用自学习机制训练带masked交叉熵损失的分割网络，不仅能够克服小目标问题和实时性问题对工业设备裂纹检测的影响，而且还能够提高缺陷诊断精度。本发明采用的技术手段如下：

一种基于半监督语义分割的工业设备表面裂纹检测方法，包括如下步骤：

获取工业设备裂纹图像，获得原始数据集；

训练深度卷积生成对抗网络，利用训练好的生成器Aug-GNet生成高质量裂纹图像，获得扩增图像数据集；

将原始数据集和扩增图像数据集共同输入到半监督语义分割网络SE-Net，使用传统监督学习和无监督学习相结合的方式进行裂纹检测。

具体包括如下步骤：

步骤1、获取设备表面带裂纹的原始图片，进行像素级别的缺陷标注，获得带标签训练集；

步骤2、将原始图片输入进深度卷积生成对抗网络进行训练，所述深度卷积生成对抗网络包括生成器Aug-GNet和鉴别器Aug-DNet，利用训练好的生成器Aug-GNet生成预设数量的高质量裂纹图像，随机划分为训练样本和待检测样本，获得用以进行无监督学习的不带标签训练集；

步骤3、构建半监督语义分割网络SE-Net，将带标签训练集和不带标签训练集输入进SE-Net进行监督学习与无监督学习相结合的训练；基于GAN网络的生成对抗思想，生成器替换为语义分割缺陷检测模型SE-GNet，生成裂纹分割图像，鉴别器SE-DNet对分割结果进行鉴别，判断输入属于标记图像还是SE-GNet生成的图像；