[发明专利]基于特征重构的表面缺陷检测方法

说明书

本发明为基于特征重构的表面缺陷检测方法，首先利用缺陷生成器在正常图像上模拟生成缺陷图像；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；然后，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；最后，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。该方法基于以正常特征为重构目标的特征重构网络，利用类孪生网络提取重构前后特征之间的差异，生成高质量的缺陷检测图像。

技术领域

本发明属于机器视觉缺陷检测技术领域，尤其涉及一种基于特征重构的表面缺陷检测方法。

背景技术

表面缺陷检测是机器视觉领域的重要研究分支，是一种利用机器视觉设备获取图像并判断图像中是否存在缺陷的技术。缺陷包含裂纹、斑点、划痕等多种类型，基于机器视觉的表面缺陷检测已经在各工业领域广泛替代人工肉眼检测。传统的基于机器视觉的表面缺陷检测往往采用常规图像处理算法或人工设计特征加分类器的方式，在真实复杂的工业环境下，表面缺陷检测往往面临诸多挑战，例如缺陷区域与背景差异小、对比度低、缺陷尺度变化大且类型多种多样，缺陷图像中存在大量噪声，缺陷在自然环境下的成像存在大量干扰等，因此传统的基于机器视觉的表面缺陷检测难以取得较好的检测效果。

近年来，随着以卷积神经网络为代表的深度学习模型在人脸识别、行人重识别、场景文字检测、目标跟踪和自动驾驶等诸多领域被成功应用，不少基于深度学习的缺陷检测方法也广泛应用于各种工业场景中。

目前，根据缺陷检测机制的不同，无监督的缺陷检测方法大致可以分为特征建模和图像重构这两类。基于特征建模的方法致力于通过使用手工制作的特征或通过神经网络学习的表示来构建整个图像或局部区域的有效表示。许多机器学习模型如稀疏编码、高斯混合模型和Kmeans聚类可以用来建立正常图像的特征分布，对于缺陷检测，如果待检测图像的局部区域对应的区域特征偏离正常图像建立的特征分布，则该局部区域将被标记为缺陷。

基于图像重构的方法是利用深度卷积自编码器对输入图像进行压缩重构，首先学习如何重构正常图像，然后通过评价输入图像与重构图像之间的像素差来检测潜在缺陷，其中像素级L₂距离和图像结构相似性度量(SSIM)可以度量重构前后的差异，通常基于图像重构的检测方法仅在正常图像上对深度卷积自编码器进行训练，而没有推广到缺陷图像，即只能重构正常图像，不能重构缺陷图像。

将图像重构用于缺陷检测是非常直观的，但由于图像重构是通过评估图像空间中像素之间的差异来检测潜在的缺陷，通常期望它能生成高质量的图像进行比较，由于图像之间的差异体现在亮度、对比度、结构等属性上，两幅图像之间的像素差值不能准确地反映图像间真实的差异。此外，图像重构通常难以对图像进行清晰的边缘和复杂的纹理结构重建，因此边缘或纹理结构往往会出现较大的重构误差，导致大量虚假缺陷报警。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于特征重构的表面缺陷检测方法。

本发明解决所述技术问题采用的技术方案是：

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；