[发明专利]一种面向边缘计算的玛钢管件表面缺陷检测的方法

说明书

本发明涉及一种面向边缘计算的玛钢管件表面缺陷检测的方法，该方法包括：采集多张玛钢管件表面缺陷图像；对采集的玛钢管件表面缺陷图像上的缺陷进行标注，得到数据集；将数据集的80％作为训练集，20％作为测试集；构建扩张压缩残差瓶颈网络，该网络的其中一个特征提取分支采取先扩张后压缩的卷积策略，用于提取输入特征图I上玛钢管件内部缺陷的特征以及抑制背景噪声信息；另外一个特征提取分支则采取先压缩后扩张的卷积策略，用于提取输入特征图I上玛钢管件边缘轮廓的特征；在两个特征提取分支分别输出经过特征提取的特征图后引入注意力机制，得到融合有注意力机制的扩张压缩特征提取骨干网络；该方法检测精度高、计算复杂度低，并且计算成本低。

技术领域

本发明涉及自动化缺陷检测技术领域，尤其是涉及一种面向边缘计算的玛钢管件表面缺陷检测的方法。

背景技术

可锻铸铁管件(Malleable Iron)又称为玛钢管件，由于其出色的耐磨性、抗冲击性和延展性，在消防供水、生活供暖与供气等管网系统中得到了广泛应用。然而，在玛钢管件生产过程中不可避免的会出现砂孔、凹陷、缺损、飞边、缝脊、斑点等表面缺陷，如图1-1所示，将会影响后续的生产加工周期；甚至，由于一些微小缺陷管件的漏检还会对实际管网系统造成不可预测的安全隐患。

在实际的管件表面缺陷检测流程中，整个工厂近四分之三的工人都受雇于检查产品质量。人工目视检测也便成为最常见的检测方式，但该方法不仅检测效率低、劳动强度大、误检率及漏检率高，而且人工检测成本高，易受工人主观因素的影响。值得注意的是，在玛钢管件缺陷尺寸小于0.5mm且无较大光学形变时，人眼无法确定缺陷特征，不适用于大规模玛钢管件生产的需求。目前，基于卷积神经网络的缺陷检测方法，在学术界有着广泛的研究，该方法只需一定量缺陷数据样本的调试，即可识别多类缺陷，降低人工成本，但在实际的应用中，该类缺陷检测模型有着复杂的网络结构，参数量较大，运算复杂度较高，检测速度较慢且对运算单元有着很高的要求。因此，设计一个能在边缘端设备中实时对玛钢管件表面缺陷检测的方法有着重大意义。

卷积神经网络(convolutional neural network，简称CNN)由于其强大的特征提取能力被广泛应用于检测对象形状、尺寸、纹理、颜色、背景、布局和成像光照有着巨大差异的复杂工业环境下。此类网络可以直接计算出输入图像中缺陷对象的类别、定位结果以及其类别置信度，避免了传统检测算法中复杂的手工设计特征提取器和参数调试的过程。

由于玛钢管件(Malleable Iron，简称MI)在检测工序中的有着繁重的质检量，直接使用缺陷检测领域中的CNN网络做特征提取器往往在检测速度上达不到要求。所以很多研究对表面缺陷检测的CNN网络结构做了轻量化改进，现有的轻量化CNN网络结构的方法可分为三类：基于轻量模块、神经架构搜索(Neural Architecture Search，简称NAS)以及基于使用各种技巧压缩预训练模型的检测方法。

基于轻量模块的检测方法通过逐点卷积、可分离卷积、组卷积等高效运算单元构建网络，减少模型的参数量和计算复杂度，从而降低模型的检测延迟，但是这种方法更侧重于提升模型对运算资源的高效利用，即时间复杂度和空间复杂度，而检测精度不能达到实际生产的需求。基于神经架构搜索的检测方法引入强化学习(Reinforcement Learning，简称RL)来搜索具有高精度的轻量化CNN网络架构。但是，这种方法的搜索空间主要集中在单元级的结构上，相同的单元在所有层中都可能被重用，导致计算成本可能会以指数级增长。基于使用各种技巧压缩预训练模型的检测方法是上述两种方法的补充工作，可以通过量化(Quantization)、修剪(Pruning)和蒸馏(Distillation)等技巧来进一步优化训练好的模型。但是这种方法本质上是通过降低精度来提高网络效率的一种策略，而且需要复杂的处理步骤。目前较为先进的基于轻量模块的检测方法通常会引入注意力机制，让网络自主学习特征图中各通道的权值，通过加权的方式提升检测准确率。