[发明专利]一种基于正样本学习的人造板表面缺陷检测方法及系统

说明书

本发明涉及的是一种图像处理领域的技术，具体是一种基于正样本学习的半监督人造板表面缺陷检测方法，为一种基于正样本学习的人造板表面缺陷检测方法及系统；包括：获取待检测图像，将所述图像按照预设大小进行分割为多张子图片，将多张所述子图片输入至预设缺陷检测模型中进行检测，根据多个检测值与预设值确定是否包含缺陷；本发明通过层层嵌套的模型实现整体缺陷的检测，提高检测精准度的同时降低了检测成本。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于正样本学习的半监督人造板表面缺陷检测方法，为一种基于正样本学习的人造板表面缺陷检测方法及系统。

背景技术

在工业生产中，由于各种原因，会产生各种瑕疵，例如污染、残缺、划痕、破洞。瑕疵种类繁多，形态复杂，肉眼识别难度较大。往往需要检测人员在生产线上人工的判断和筛选瑕疵品。现有瑕疵检测需要工人在高光照的情况下近距离判断每个样品的好坏，对视力带来很高的负担，识别过程不稳定容易受到其他因素影响，生产效率低下。随着人工智能和自动化技术的发展。工业上急需自动化的瑕疵检测技术。提高生产效率和品牌良品率，在生产过程中直接实时对产品表面进行视觉检测，挑选出瑕疵的产品。

现有的基于深度学习的瑕疵检测方法，有通过采集带有瑕疵图像，对瑕疵类型、位置、像素进行标注，制作数据集。但是针对于实际工程场景下，对于数据集的获得成本较高，并且通过人工对图像进行标注则会产生一些人为的误差，而规模较小的数据集人工标注的误差和瑕疵会导致模型训练过程中的不准确，从而导致图像识别的不稳定。

因为工业产品尤其是人造板表面的缺陷在较多的场景下主要为细小的缺陷，而此部分的缺陷在数据量小的情况下的识别难度较高，不易进行识别。

发明内容

本申请实施例提供一种基于正样本学习的人造板表面缺陷检测方法及系统，以通过半监督机器学习的方式训练模型，通过模型实现了对于缺陷识别的自动化，降低了人工成本，实现了智能化检测的效果和目的。并且通过建立正样本模型，不需要通过人工进行数据的标注就能实现对于正样本集的构建，降低了对于数据量的要求。

为了达到上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种基于正样本学习的人造板表面缺陷检测方法，其特征在于，获取待检测图像，将所述图像按照预设大小进行分割为多张子图片，将多张所述子图片输入至预设缺陷检测模型中进行检测，根据多个检测值与预设值确定是否包含缺陷；所述方法还包括在所述多张子图片输入至预设缺陷检测模型中进行检测之前还包括建立缺陷检测模型，所述建立缺陷检测模型包括建立正样本图像检测模型，具体为：将所述多个包含产品表面的图像输入到正样本评估模型中进行评估确定图像为正样本图像或负样本图像，并将所述正样本图像建立正样本图像集，将确定后的所述的正样本图像集输入至训练模型中进行训练生成预设缺陷检测模型，将确定后的负样本图像集输入至所述预设缺陷检测模型进行模型测试，以测试所述预设缺陷检测模型是否可以检测出产品表面存在缺陷；所述预设缺陷检测模型的测试结果大于等于预设阈值。

在第一方面的第一种可能的实现方式中，建立正样本评估模型包括以下方法：建立待评估模型和无标签测试集；基于所述待评估模型对所述无标签测试集进行赋值，并获取赋值结果，根据待评估模型对无标签测试集的赋值结果，确定所述无标签测试集的AUL值；所述无标签测试集包括正样本集以及无标签样本，所述正样本集包括观察到的正样本以及基于观察到的正样本进行扩充的扩充正样本。

结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，基于观察到的正样本进行扩充包括以下方法：基于图像生成目标框和检测框，基于所述目标框和所述检测框确定位置坐标，基于所述位置坐标去除重叠检测框，并保留包含目标信息的检测框；基于第一规则对目标信息进行筛选和判断确定负样本、正样本以及半正样本；将所述负样本、正样本以及半正样本数据通过损失回归函数进行检测框分类损失训练和检测框定位回归训练，进而扩充所述正样本。