[发明专利]一种基于自编码器的无监督缺陷检测方法

说明书

本发明涉及一种基于自编码器的无监督缺陷检测方法，该方法将待检测图像输入一训练好的自编码器模型，获得与所述待检测图像对应的重构图像，基于过滤小噪声重构误差的缺陷判断准则判断所述待检测图像是否有缺陷，所述缺陷判断准则成立时，判定为存在缺陷。与现有技术相比，本发明具有可以得到更好的重构效果、可以对小的重构噪声鲁棒等优点。

技术领域

本发明涉及一种外观缺陷检测方法，尤其是涉及一种基于自编码器的无监督缺陷检测方法。

背景技术

外观缺陷检测是实际工业生产过程中重要的一个环节，通过缺陷检测可以实现对产品的质量控制。在实际工业流程中，大部分的外观检测是通过人工检查实现，这种方法比较费事并且受限于人的主观判断。因此对实际产品物体采样图像进行自动的缺陷检测有很重要的实际应用价值。

在实际生产过程中，由于产品合格率较高，很多时候很难获取大量的缺陷样本，因此无法采用需要大量正常样本及缺陷样本的有监督的方法。在基于正常样本进行无监督缺陷检测的方法中，自编码器是常用的一种方法。如文献“Residual Error Based AnomalyDetection Using Auto-Encoder in SMD Machine Sound”(Oh,D.Y.；Yun,I.D..Sensors2018,18,1308)中，自编码器被用来检测机器声音中的异常。该类方法基于一个自编码器模型实现对输入样本的编码解码重构成与输入样本接近一致的输出。

自编码器模型如图1所示，该模型的目的是对给定输入图像得到与输入图像尽可能一致的输出图像。输入图像X经过编码器(encoder)压缩成低维表示h，h再经过解码器(decoder)重构成与X同样大小的图像X’。模型中编码器及解码器的参数都基于训练图像学习得到。在训练阶段，主要的目的是学习编码器及解码器的权重使得重构图像与输入图像尽可能的接近，因此定义一个基于输入样本与重构输出样本的重构误差度量，并将该度量作为损失函数作为训练优化的目标。通常自编码器的训练过程最小化的目标函数为公式(1)或(2)，其中，公式(1)用来计算输入图像与重构图像之间误差的L1范数，可以用来度量两者之间误差图像的稀疏性，公式(2)计算的是误差图像的L2范数，衡量的是误差图像的平滑性。

|X-X'|₁ (1)

|X-X'|₂ (2)

训练结束时，估计用于测试测试阶段的判断阈值τ。在测试阶段，通过测试图像的重构误差度量值的大小来实现缺陷检测。由于该自编码器只基于无缺陷样本进行训练，可以实现无缺陷样本上较好的重构从而得到较小的重构误差度量，但是在缺陷样本上重构误差度量较大，从而基于重构误差度量可以进行缺陷检测的判断。在测试阶段，对未见过的测试图像进行重构，并计算与训练过程同样的重构误差，然后基于重构误差进行缺陷检测判断，如果满足公式(3)，则认为是缺陷。

|X-X'|₁＞τ (3)

但该类方法还存在缺点：在纹理稍微复杂的场景下重构效果不够好，导致基于重构误差图像的统计度量做缺陷检测不够鲁棒。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自编码器的无监督缺陷检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于自编码器的无监督缺陷检测方法，该方法将待检测图像输入一训练好的自编码器模型，获得与所述待检测图像对应的重构图像，基于过滤小噪声重构误差的缺陷判断准则判断所述待检测图像是否有缺陷，所述缺陷判断准则成立时，判定为存在缺陷。

进一步地，所述缺陷判断准则的表达式为：