[发明专利]基于自监督网络的工业缺陷检测方法和系统

说明书

本发明提供了一种基于自监督网络的工业缺陷检测方法和系统，其中，所述方法包括以下步骤：基于自监督网络构建自监督语义分割模型；根据自监督语义分割模型确定待标注图像的所有标注目标掩膜；判断每个标注目标掩膜的面积是否小于目标面积阈值；若是，则剔除对应的标注目标掩膜；确定剔除处理后的标注目标掩膜上的所有目标的边缘点；转换边缘点为语义标注，并且每个目标设定为同一类别；根据语义标注自动标注待标注图像以用于工业缺陷检测。本发明通过最终语义标注自动标注待标注图像，不仅提高了语义分割标注的速度，还能够避免人工标注产生的人为误差，从而能够保证标注的准确度和精度，并能够降低标注成本。

技术领域

本发明涉及工业缺陷检测技术领域，具体涉及一种基于自监督网络的工业缺陷检测方法和一种基于自监督网络的工业缺陷检测系统。

背景技术

随着深度学习的不断发展，深度学习应用领域也越来越多。训练深度学习网络，需要大量的标注数据，但是标注数据是很消耗人力和时间，尤其是标注精细的语义分割数据，需要标注员使用标注工具，沿着目标边缘精细的描边。但是，依靠标注员人工获取精细的语义标注数据，不仅非常耗时、成本非常高，而且由于标注员长时间标注的疲劳，可能会导致边缘描的不准确，而造成语义标注数据精度难以保证。

发明内容

本发明为解决上述技术问题，提供了一种基于自监督网络的工业缺陷检测方法，通过最终语义标注自动标注待标注图像，不仅提高了语义分割标注的速度，还能够避免人工标注产生的人为误差，从而能够保证标注的准确度和精度，并能够降低标注成本。

本发明采用的技术方案如下：

一种基于自监督网络的工业缺陷检测方法，包括以下步骤：基于自监督网络构建自监督语义分割模型；根据所述自监督语义分割模型确定待标注图像的所有标注目标掩膜；判断每个所述标注目标掩膜的面积是否小于目标面积阈值；若是，则剔除对应的标注目标掩膜；确定剔除处理后的所述标注目标掩膜上的所有目标的边缘点；转换所述边缘点为语义标注，并且每个所述目标设定为同一类别；根据所述语义标注自动标注待标注图像以用于工业缺陷检测。

根据本发明的一个实施例，所述自监督网络为MaskContrast，所述基于自监督网络构建自监督语义分割模型，具体包括以下步骤：采用resnet18替换所述MaskContrast中backbone的resnet50。

根据本发明的一个实施例，所述确定剔除处理后的所述标注目标掩膜上的所有目标的边缘点，具体包括以下步骤：采用形态学闭操作处理剔除处理后的待标注图像；采用densecrf算法处理形态学闭操作处理后的待标注图像；采用findContours函数处理densecrf算法处理后的待标注图像，以确定所述标注目标掩膜上的所有目标的边缘点。

根据本发明的一个实施例，所述转换所述边缘点为语义标注，并且每个所述目标设定为同一类别，具体包括以下步骤：采用labelme标注文件格式将所述边缘点转换为语义标注文件，并将每个所述目标设定为同一类别。

根据本发明的一个实施例，所述根据所述语义标注自动标注待标注图像以用于工业缺陷检测，具体包括以下步骤：判断所述语义标注对应的类别是否为真实类别；若否，则修改所述语义标注对应的类别为真实类别；判断所述语义标注是否符合设定标准；若否，则修正所述语义标注；判断所述语义标注是否存在漏标；若是，则加标所述语义标注以得到最终语义标注；根据所述最终语义标注自动标注待标注图像以用于工业缺陷检测。