[发明专利]一种基于卷积神经网络的表面微缺陷检测方法及装置

说明书

一种基于卷积神经网络的表面微缺陷检测方法及装置，涉及机器学习技术领域，用以解决现有技术对于元件表面缺陷的检测准确率不高且自动识别效率不高的问题。本发明的技术要点包括：采集获取多个元件表面缺陷区域的图像作为图像训练集；对训练集图像进行预处理；将预处理后的训练集图像输入改进的卷积神经网络模型中进行训练，获得训练好的基于卷积神经网络的分割模型；将包含元件表面缺陷区域的待检测图像输入训练好的基于卷积神经网络的分割模型中，获得分割结果；基于分割结果，计算获得缺陷区域在图像中的位置和尺寸。本发明解决了传统图像处理算法较难获得缺陷的完整轮廓且会检测出多个目标干扰信息的问题，且极大的降低了图片处理的时间。

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于卷积神经网络的表面微缺陷检测方法及装置。

背景技术

大口径熔石英光学元件是高功率固体激光装置的终端光学组件中应用最为普遍的光学元器件，在冷加工过程中易产生微裂纹、凹坑等表层或亚表层微缺陷，尤其是在高功率固体激光系统中，当大口径熔石英光学元件在三倍频紫外强激光的辐照下，更易于产生微裂纹、微凹坑等烧蚀点微缺陷。研究表明，当微裂纹或烧蚀点等微缺陷产生时，随着激光辐照次数的增加，光学元件的后表面微缺陷尺寸以指数性增长。当微缺陷的面积总和超过一定比例后，熔石英光学元件将视为彻底损坏而不能继续使用。对于大口径熔石英光学元件，其加工时间周期长，成本高；为了延缓光学元件的使用寿命，国内外主要采取的解决措施是对已产生的微缺陷进行激光微修复，使其抗损伤能力大幅度提升，从而达到抑制损伤增长的目的，由此降低高功率固体激光装置的运行成本。

在进行修复之前要对光学元件进行检测以获得真伪缺陷以及缺陷的具体位置等信息。目前采用较多的是基于图像梯度的检测方法，该方法能够实现缺陷检测以及最小外接圆的计算，但该方法存在以下缺点：有大量误检的情况，需要进行尺寸筛选和后处理过程；当视野中出现多个缺陷目标时，该方法没有识别能力；需要人工设定的参数较多，如：梯度阈值、开/闭运算的结构元尺寸、缺陷的筛选依据、轮廓归类依据的距离等，不利于实现检测过程的自动化。

发明内容

鉴于以上问题，本发明提出一种基于卷积神经网络的表面微缺陷检测方法及装置，用以解决现有技术对于元件表面缺陷的检测准确率不高且自动识别效率不高的问题。

根据本发明一方面，提出一种基于卷积神经网络的表面微缺陷检测方法，该方法包括以下步骤：

步骤一、采集获取多个元件表面缺陷区域的图像作为图像训练集；

步骤二、对图像训练集进行预处理；

步骤三、将预处理后的图像训练集输入改进的卷积神经网络模型中进行训练，获得训练好的基于卷积神经网络的分割模型；

步骤四、将包含元件表面缺陷区域的待检测图像输入训练好的分割模型中，获得分割结果；所述分割结果包括区分为缺陷区域和其他区域；

步骤五、基于分割结果，计算获得缺陷区域在图像中的位置和尺寸。

进一步地，步骤二中所述预处理包括：对图像进行二值化处理，将缺陷区域像素标签值标注为1，其他区域像素标签值标注为0；对经过二值化处理的图像训练集进行数据增强处理。

进一步地，步骤三中所述改进的卷积神经网络模型是对现有的卷积神经网络结构进行改进，改进之处包括：使用深度可分离卷积来代替普通卷积；在卷积过程中使用倒残差结构；编码器和解码器之间通过直接叠加的方式进行连接；采用金字塔池化模块结构用于聚合不同区域的上下文信息。

进一步地，步骤三中模型训练过程中计算所有像素点的交叉熵并以其平均值作为损失函数J，该值越接近0，表明实际预测图像越接近期望分割图像；所述损失函数计算公式为：