[发明专利]一种仅采用良品图像的产品外观缺陷检测方法

说明书

本发明涉及一种仅采用良品图像的产品外观缺陷检测方法，包括步骤：收集正常无缺陷产品的图片样本，对每张图片进行多次两层网格划分，利用深度神经网络组成的自编码器通过向量的方式对图像数据进行编码；用具有特征抽取能力的多层次自编码器对正常图像样本进行编码，所有正常产品的图片通过两层网格划分得到的小图像分块，将第一层网格划分和第二层网格划分的图像块编码数据分别存储在编码数据库中。本发明的有益效果是：本发明建立分块图像的深度支持向量数据描述模型，通过图片分块特征抽取，分层编码，判断图片像素点与正常样本偏离程度，通过自监督学习实现产品外观图像缺陷检测与分割。

技术领域

本发明属于产品外观检测领域，尤其涉及一种仅采用良品图像的产品外观缺陷检测方法。

背景技术

随着消费市场对于工业制造产品质量要求的提高，工艺品的表面缺陷检测已经成为制造商越来越重视的环节之一，而传统依靠人眼分辨产品是否有缺陷的方法已经不能满足日益严苛的检测需求。此外，人工检测的主观性，以及新旧质检人员的熟练、效率和成本等制约，构成制造企业外观检测的严峻挑战。伴随着硬件性能的不断提升和人工智能技术的进一步成熟，越来越多的基于机器视觉技术的自动缺陷检测技术被应用于工业产品外观检测领域。

但由于设备及工艺等因素的影响，产品表面的缺陷类型往往五花八门，比如织物产品就包括污点、破损，3C电子产品则会出现划痕、裂纹、凹凸不平等不同类型缺陷，使得传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，加之复用性不大，造成大量人力成本浪费。近年来，深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到产品外观缺陷检测领域中。然而，基于深度学习的产品外观缺陷检测模型部署使用需要包含各种缺陷类型的大规模精确标注数据进行训练，不仅花费大量人力物力成本，对医疗和奢侈品等行业很难收集包括各种缺陷产品的图像样本。

发明内容

本发明的目的是克服现有技术中的不足，提供一种仅采用良品图像的产品外观缺陷检测方法。

这种仅采用良品图像的产品外观缺陷检测方法，具体包括以下步骤：

步骤S1、收集正常无缺陷产品的图片样本，对每张图片进行多次两层网格划分，利用深度神经网络组成的自编码器通过向量的方式对图像数据进行编码，得到的编码结果是向量，其中对相似的图片进行编码，得到的向量也是相似的，这样有缺陷的图片编码得到的向量就会和正常图片编码后的向量有较大的差异，就能很好的判断出缺陷；用Adam优化器对多层次自编码器进行训练,得到具有特征抽取能力的多层次自编码器；

步骤S2、用具有特征抽取能力的多层次自编码器对正常图像样本进行编码，所有正常产品的图片通过两层网格划分得到的小图像分块，将第一层网格划分和第二层网格划分的图像块编码数据分别存储在编码数据库中；存储表示为{f_θ(P_normal)∣P_normal}，其中f_θ表示多层次自编码器，θ表示多层自编码器的网络参数；P_normal表示正常图像样本第二层网格划分后的其中一块，得到一个大的元素集合；

步骤S3、在进行缺陷产品检测时，将待检测图片进行两层网格划分后，将大图像块输入多层次自编码器进行特征抽取，计算待检测图片编码向量与正常样本图像编码向量距离，得到每个像素点的异常分数；将每个像素点的异常分数与预设阈值进行比较，判断该像素点是否存在缺陷，实现基于异常像素点的缺陷检测；判断待检测图片是否为缺陷产品图片，并在图片中分割出异常部分。

作为优选，步骤S1具体为：