[发明专利]一种铝型材表面缺陷检测与分类方法及系统

说明书

本发明公开了一种铝型材表面缺陷检测与分类方法及系统，方法包括：S1.分别采集铝型材表面正常和表面缺陷的图像；S2.标注缺陷图像的缺陷区域和缺陷类别获取数据集；S3.将数据集划分为训练数据集和测试数据集；S4.使用训练数据集训练神经网络模型；S5.使用测试数据集评估训练后的模型；S6.采集待处理的铝型材表面缺陷图像，将待处理的铝型材表面缺陷图像输入通过评估的模型，输出铝型材表面缺陷检测与分类的结果；本发明方法快速且准确地实现了铝型材表面缺陷检测与分类。

技术领域

本发明涉及图像处理领域，具体地，涉及一种铝型材表面缺陷检测与分类方法及系统。

背景技术

缺陷检测是工业生产中不可或缺的一环，在铝型材生产过程中会因为多种原因形成缺陷，缺陷种类主要包括：“不导电”、“擦花”、“角位漏底”、“桔皮”、“漏底”、“喷流”、“漆泡”、“起坑”、“杂色”、“脏点”。不同的缺陷需要经过不同的处理流程进行再加工，防止出厂铝型材出现质量问题。

目前国内铝型材生产工厂主要通过派遣质检员抽查检测生产的产品，但人工检测通常存在检测疏漏、不规范、标准不统一、不熟练等多种问题，并且人工作业只能部分抽检无法实现全量检测，导致工厂生产出的铝型材依然存在不少有缺陷的产品。

基于人工智能算法的自动铝型材缺陷检测方法，凭借其高效、准确、低成本、全量检测等优势，是助力铝型材企业实现转型升级，提升行业竞争力的最优解决方案。

要实现铝型材表面缺陷的检测识别，需先通过检测摄像头实时采集铝型材表面图像，再通过算法分析图像。其难点在于铝型材缺陷存在种类多样、尺寸变化大、金属颜色反光、缺陷样本分布不均等问题，因此采用传统的图像处理和特征工程方法，很难实现准确的缺陷检测，且鲁棒性较低。

发明内容

针对背景技术中的问题，本发明提供了一种基于深度学习的无缺陷样本迁移和多尺度协同的模型训练方法及系统，快速且精准地实现铝型材表面缺陷检测与分类。

为实现上述发明目的，本发明一方面提供了一种铝型材表面缺陷检测与分类方法，所述方法包括：

S1.分别采集铝型材表面正常和表面缺陷图像；

S2.标注铝型材表面缺陷图像的缺陷区域和缺陷类别，基于铝型材表面正常的图像和标注后的有缺陷的图像，获得数据集；

S3.将数据集划分为训练数据集和测试数据集；

S4.使用训练数据集训练神经网络模型；

S5.使用测试数据集评估训练后的模型，基于评估结果判断训练后的模型是否符合预设要求，若不符合则调整模型参数继续训练模型；

S6.采集待处理的铝型材表面缺陷图像，将待处理的铝型材表面缺陷图像输入通过评估的模型，模型输出铝型材表面缺陷检测与分类的结果。

优选的，步骤S5具体包括：使用测试数据集评估训练后的模型，首先将测试数据输入模型进行检测分类，再将检测分类结果与测试数据的标注信息进行比较，通过比较判断模型检验是否通过评估；其中，标注信息包括缺陷的位置信息和缺陷类别，缺陷位置的比较方法为计算模型给出的缺陷区域与标注缺陷区域的面积重合度是否符合预设要求；缺陷类别比较方法为对比模型的缺陷分类结果与标注的缺陷类型是否一致。

优选的，步骤S2具体为使用打标工具标注铝型材表面缺陷图像的缺陷区域和缺陷类别。其中打标工具包括labelme、labelimg。

优选的，调整模型训练参数包括调整模型迭代次数、模型学习率、模型损失函数。

优选的，在神经网络模型训练中，使用无缺陷样本迁移训练方法训练模型，具体包括：

step 1，使用铝型材表面缺陷图像初次训练模型；