[发明专利]一种多尺度的基于生成对抗网络的工业零件缺陷检测方法

说明书

本发明公开了一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，该方法将工业零件表面图像输入至基于生成对抗网络的缺陷检测网络中，构建多尺度的图像信息融合模块并将其作为特征融合单元嵌入到生成网络中，让该模型的生成网络仅学习正常类工业零件图像的特征分布并生成重构图像，由判别网络输出重构图像与原始图像之间的异常分数实现缺陷检测。本发明使用高效的多尺度的图像信息融合模块，增强生成网络在训练阶段重构正常类图像的能力，弱化在测试阶段对缺陷类图像的重构效果，可有效提升判别网络对工业零件表面缺陷的分类能力，同时本发明模型图像翻译质量更好，有助于提高收敛速度，为图像翻译任务提供更好的特征表示。

技术领域

本发明涉及计算机应用技术及人工智能领域，具体涉及一种多尺度的基于生成对抗网络的工业零件缺陷检测方法。

背景技术

表面缺陷检测是一种利用图像预先对物体外观的缺陷进行识别的技术，它逐渐成为工业领域保障产品质量的关键技术。在机器视觉的方法中，传统的外观缺陷检测通常采用边缘检测、阈值分割等传统图像处理方法，检测的准确率较低且特征提取的过程较为复杂。然而，利用深度学习方法能有效解决手动特征提取这样的复杂性问题。其中，有监督学习的方法从大量标注出缺陷的图像中专门化地学习到缺陷样本在图像中的特征。但实际生产面临更为真实的问题，缺陷类型的形式多样复杂，部分缺陷类型的样本难以收集等。一般来说，有监督学习的检测方法难以适配这些复杂任务。

相反地，无监督学习的方法则免除手动标注且训练样本的类型单一，在训练过程中，它只学习正常样本的特征信息，就能对测试集内样本进行分类，一定环境下能达到与有监督方法相当的检测效果。因此，基于无监督学习的缺陷检测方法正逐渐被提出，这些无监督学习的方法是利用生成模型，例如Variational Auto-Encoders(VAEs)与GenerativeAdversarial Network(GAN)。

由于正常类图像与缺陷类图像在特征空间中的特征存在较大的差异，生成模型能拟合不同数据的分布特征，在测试过程中对输入图像的潜在特征进行图像重建，利用损失函数来评估重建图像与正常类样本在概率分布之间的差异，依照缺陷分数的大小对样本实现缺陷分类。VAE的目标是最小化数据可能性的下限，而GAN的目标则是在生成网络和判别网络之间实现平衡。其中，Schlegl T等人先后提出AnoGAN等模型，有效地将GAN引入缺陷检测领域。Samet等人进而提出了两种带有编码器与解码器的缺陷检测模型GANomaly和Skip-GANomaly。然而，这些基于无监督学习的方法大多运用在医疗影像的异常检测中，其中，基于GAN的深度学习方法，利用生成网络重构原始图像时，存在预测异常类样本时重构出正常类样本图像，导致判别网络的检测效果难以满足实际生产的要求。

有一种基于生成对抗网络的转子缺陷检测方法公开号为CN113674242A，其涉及产品缺陷检测技术领域，具体为一种基于生成对抗网络的转子缺陷检测方法，包括以下步骤:步骤一，数据采集，步骤二，模板分类，步骤三，提取特征，步骤四，特征验证，本发明首先进行焊点特征的数据采集，生成焊点特征模板库，根据焊点合格、多焊、少焊、焊接偏移、漏焊以及虚焊的显著的特征并进行分类，对样本进行分析，将电机转子焊点的图像形状与预设的检测模板图像进行比对，获得焊点图像与标准图像的匹配程度，识别不同种类的焊点特征，最后进行一次验证，若验证可用后留作样本作为特征模板备用，提高对转子焊点缺陷检测的效率，但其在训练阶段重构图像易对判别网络造成干扰。

综上所述，现有传统的缺陷检测方法特征提取过程较为复杂；基于深度学习的缺陷检测方法，尤其是生成模型，在生成图像阶段产生的重构图像易对判别网络造成干扰，造成较大的检测误差，因此难以应用在实际的工业检测任务。

发明内容

本发明的目的在于提供一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，用来解决上述问题，本发明模型图像翻译质量更好，同时还有助于提高收敛速度，为图像翻译任务提供更好的特征表示。

为实现上述目的，本发明提供以下技术方案：