[发明专利]基于特征重构的表面缺陷检测方法

权利要求书

1.一种基于特征重构的表面缺陷检测方法，其特征在于，该方法具体包含以下步骤：

第一步：利用缺陷生成器在正常图像上模拟生成缺陷图像；

第二步：正常图像和缺陷图像分别输入到多尺度特征生成器中，分别提取正常图像对应的正常特征和缺陷图像对应的缺陷特征；

第三步：将缺陷特征作为自编码重构网络的输入，将正常特征作为自编码重构网络的重构目标，对缺陷特征进行重构，得到重构特征；

第四步：将缺陷特征和重构特征在通道维度上进行拼接，形成两通道的特征向量，拼接后的特征再输入到类孪生网络中，利用类孪生网络提取重构前后特征之间的差异进行缺陷检测，生成缺陷检测掩码图；最后，利用平均滤波器对缺陷检测掩码图进行平滑处理；

至此完成基于特征重构的表面缺陷检测的整个过程。

2.根据权利要求1所述的基于特征重构的表面缺陷检测方法，其特征在于，所述自编码重构网络由编码器和解码器构成，编码器包含三个编码器层，每个编码器层都对应一个解码器层，即解码器包含三个解码器层；第一个编码器层和第二个编码器层的结构相同，均包含卷积层、批归一化处理和非线性激活处理；第三个编码器层由一个卷积层构成；编码器对缺陷特征进行卷积并将其压缩到一个低维的潜在空间，对缺陷特征进行潜在表示；

第一个解码器层和第二个解码器层的结构相同，均包含卷积层、批归一化处理和非线性激活处理；第三个解码器层由一个卷积层构成；解码器将编码器的输出结果进行解码，即将缺陷特征的潜在表示进行再现表示。

3.根据权利要求1所述的基于特征重构的表面缺陷检测方法，其特征在于，所述类孪生网络包括骨干结构和作为决策层的顶层模块，骨干结构的输出作为顶层模块的输入；其中，骨干结构包括非对称的编码结构和解码结构，编码结构包括三个卷积模块和两个最大池化层，编码结构的每个卷积模块均包括卷积操作、批归一化操作和激活操作，每个卷积模块均执行两次上述操作；两个最大池化层分别位于前两个卷积模块的第二次激活操作之后；解码结构由四个上采样模块和四个卷积模块组成，每个上采样模块之后连接一个卷积模块，上一个卷积模块的输出作为下一个上采样模块的输入；每个上采样模块均包含线性插值操作、卷积操作、归一化操作和激活操作，解码结构的每个卷积模块均包括卷积操作、归一化操作和激活操作，每一个卷积块执行上述操作两次；顶层模块由一个卷积操作的决策层组成。

4.根据权利要求1所述的基于特征重构的表面缺陷检测方法，其特征在于，所述多尺度特征生成器为预训练的深度卷积神经网络，将深度卷积神经网络最后的三个全连接层以及一个softmax层去除，只保留深度卷积神经网络的骨干网络；骨干网络以maxpool层为界限，将骨干网络的所有卷积层分为五个卷积模块，每个卷积模块包含多个卷积层；多尺度特征生成器对每个卷积层提取到的特征都进行输出保留，首先将所有特征的空间维度调整为一致，通道维度保持不变；然后分别对每个卷积模块内所有调整后的特征进行注意力特征融合操作，得到该卷积模块对应的融合特征；最后，所有卷积模块对应的融合特征在通道维度上进行拼接，得到多尺度特征。

5.根据权利要求4所述的基于特征重构的表面缺陷检测方法，其特征在于，第二步还包括以下内容：

对于同一张输入图像而言，首先对输入图像进行不同比例的缩放，得到多张不同分辨率的输入图像；然后，将多张不同分辨率的输入图像分别通过多尺度特征生成器提取多个不同尺度的特征；最后，将多个不同尺度的特征在通道维度上进行拼接，进而从该输入图像上提取得到多尺度特征；输入图像为正常图像或缺陷图像。