[发明专利]一种基于机器视觉的两阶段主板图像缺陷检测及定位方法

说明书

本发明公开了一种基于机器视觉的两阶段主板图像缺陷检测及定位方法，该方法的第一阶段为目标识别网络，将原始图像输入至特征提取网络，获取融合特征图；构建RPN目标识别网络，输入融合特征图获得目标识别候选区域图像。第二阶段为轻量化缺陷检测网络，构建跨注意力机制的轻量化特征提取模块嵌入至基于通道压缩的生成对抗网络，对上一阶段输出的所有图像进行缺陷预测，依照异常分数在原始图像中检测缺陷及定位。本发明利用目标识别网络为缺陷检测网络输入候选区域图像，实现复杂检测场景下，为缺陷检测网络去除大量无关特征；结合有监督学习与无监督学习，无需关注缺陷特征类型，并解决正常样本与缺陷样本数量不均衡导致分类效果不佳。

技术领域

本发明涉及计算机应用技术及人工智能领域，尤其涉及一种基于机器视觉的两阶段主板图像缺陷检测及定位方法。

背景技术

随着工业制造领域自动化技术普及，生产企业对工业品的质量需求不断提高。然而，对工业品缺陷的检测采用人工目测识别存在检测效率低、漏检率高的问题。近年来随着深度学习尤其是计算机视觉的发展，基于机器视觉的缺陷检测能技术能利用产品图像检测缺陷样本，使深度学习方法被用于表面缺陷检测中。

基于深度学习的缺陷检测方法，借助卷积神经网络(Convolutional NeuralNetwork, CNN)强大的特征提取能力，自动地学习图像的表征信息，实现高效的检测。其中，大部分方法利用目标检测算法。例如，基于Ren等人提出双阶段目标检测算法Faster-RCNN，基于 Jaseph等人提出的单阶段目标检测算法YOLO，学者们基于以上目标检测算法，将它们运用在特定的缺陷检测实际场景中。基于目标检测算法的缺陷检测方法为有监督学习，需依赖大量标记样本对才能实现较好的检测效果。然而，在实际生产中，缺陷产品占比远小于正常产品，难以采集到相应数量的缺陷样本图像，产生正常样本数量与缺陷样本数量的高度不平衡性；并且标注样本的缺陷类型难以涵盖所有的缺陷类型，目标检测算法难以预测标注以外的缺陷类型。因此，另一种基于无监督学习的缺陷检测方法，能有效克服缺陷检测数据集中样本数量不均衡而不能达到较高准确率的问题，且无需标注工作。在基于无监督学习的缺陷检测方法主要为图像重构，能仅利用正常样本用于训练，使网络学习正常样本分布。因此，在测试阶段，模型难以对缺陷样本进行图像重建，计算原始图像重构图像的差异，用以判断是否为缺陷样本。例如，在无监督学习的网络架构中，Ian J等人提出的生成对抗网络 (Generative Adverserial Network,GAN)被应用于缺陷检测任务中，该网络包含两个子网络：生成网络与判别网络，基于博弈论的思想，生成网络与判别网络相互博弈而不断优化，生成网络希望尽可能地伪造逼真的虚假数据，判别器则尽可能地鉴别出虚假数据，最终达到纳什平衡。由于判别网络具有二类的能力，AnoGAN成功将GAN网络引入缺陷检测领域，该网络让生成网络学习正常样本的分布特征，在测试阶段让生成网络重构最接近原始图像的重构图像。Samet等人提出GANomaly网络，结合生成对抗学习构建编码-解码-再编码的缺陷检测网络，然而，该网络在训练阶段训练不稳定。随后，仍由Samet等人提出的Skip-GANomaly在生成器中使用UNet架构并引入跳跃连接，但该网络的缺陷检测能力受目标物体的特征影响较大。

综上所述，现有的基于有监督学习与目标检测算法的缺陷检测方法，需要大量均衡数量的缺陷检测样本，难以预测标注类别以外的缺陷类型；基于无监督学习与生成对抗网络的缺陷检测方法仅能完成二分类任务，不能有效标示出缺陷位置。同时，基于无监督学习与生成对抗网络的缺陷检测网络参数数量较大，计算复杂度高，难以嵌入至计算资源有限的智能检测设备中。

发明内容