[发明专利]一种基于数据增强策略的自监督弹簧缺陷检测方法

权利要求书

1.一种基于数据增强策略的自监督弹簧缺陷检测方法，其特征在于，包括：

获取待检测弹簧图像；

将待检测弹簧图像输入训练完成的弹簧缺陷检测模型，得到弹簧缺陷检测结果；

其中，弹簧缺陷检测模型通过如下方法得到：

获取若干正常的弹簧图像；

对于正常的弹簧图像，将其作为原始图像，并复制一张原始图像作为底板图像，制作一张与原始图像尺寸相同的纯黑图像作为蒙板图像；

分别将原始图像、底板图像、蒙板图像对应划分为多个片区；

从原始图像的每个片区中随机选取区域并裁剪出一块图像块，将其依次粘贴到蒙板图像的任一不相同片区的随机位置处，并记录粘贴后每个图像块的顶点坐标；

根据记录的每个图像块的顶点坐标在底板图像中的对应位置擦除该区域内的像素值，然后将处理后的底板图像与蒙板图像叠加，得到存在缺陷的弹簧图像；

基于若干正常的弹簧图像及得到的存在缺陷的弹簧图像构建带类别标签的训练样本集；

基于训练样本集对神经网络模型进行训练，得到弹簧缺陷检测模型。

2.根据权利要求1所述的基于数据增强策略的自监督弹簧缺陷检测方法，其特征在于，所述分别将原始图像、底板图像、蒙板图像对应划分为多个片区，包括：

分别在原始图像、底板图像、蒙板图像中建立直角坐标系，将图像划分为四个象限；

所述图像块为多边形不规则图像块。

3.根据权利要求1所述的基于数据增强策略的自监督弹簧缺陷检测方法，其特征在于，获取待检测弹簧图像之前还包括：

获取拍摄的弹簧图像；

将弹簧图像输入训练完成的弹簧目标检测模型对弹簧存在位置进行检测；

根据检测的弹簧存在位置分割单独的弹簧图像，裁剪成预设尺寸，得到待检测弹簧图像。

4.根据权利要求3所述的基于数据增强策略的自监督弹簧缺陷检测方法，其特征在于，所述弹簧目标检测模型通过如下方法得到：

获取若干拍摄的弹簧图像；

使用标注工具框选弹簧图像中的弹簧，并注明标签；

将处理后的弹簧图像作为有标签的样本输入Detection Transformer模型进行训练，得到弹簧目标检测模型。

5.根据权利要求1所述的基于数据增强策略的自监督弹簧缺陷检测方法，其特征在于，所述基于训练样本集对神经网络模型进行训练，得到弹簧缺陷检测模型，包括：

构建包括第一特征提取器及二分类器的神经网络模型，以训练样本集中的每张弹簧图像为输入，其对应的类别标签为输出，对包括第一特征提取器及二分类器的神经网络模型进行训练，得到弹簧缺陷二分类模型；

构建包括第二特征提取器及单分类器的弹簧缺陷检测模型；其中第二特征提取器基于第一特征提取器迁移得到，单分类器输出输入的弹簧图像存在缺陷的概率；

将得到的概率与预先设置的缺陷阈值进行比较，当概率不大于缺陷阈值时，认为不存在缺陷；当概率大于缺陷阈值时，认为存在缺陷。

6.根据权利要求5所述的基于数据增强策略的自监督弹簧缺陷检测方法，其特征在于，训练得到弹簧缺陷二分类模型过程中，采用如下损失函数：

式中，N表示训练样本集中的弹簧图像数目，CEL表示交叉熵损失函数，x_i表示训练样本集中正常的弹簧图像所组成的正类样本，用标签“0”代替，A(*)表示训练样本集中存在缺陷的弹簧图像所组成的模拟负类样本，用标签“1”代替；c(*)表示构建的二分类器。