[发明专利]一种基于深度学习语义分割的缺陷检测方法

说明书

本发明涉及一种基于语义分割的缺陷检测方法，包括：制作物体表面缺陷训练图像集；完成表面缺陷图像的手动标注；搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型；进行深度学习语义分割缺陷检测模型的训练；基于已训练的深度学习语义分割缺陷检测模型，进行物体表面缺陷检测；得到对应输出的具有缺陷种类标签图像，获得缺陷检测结果。能够自动化、高效率的对物体表面进行缺陷检测，从而实现物体表面缺陷的自动识别以及缺陷检测结果的量化处理。当检测物表面不规则或者场景复杂度上升后，能够很好的兼顾检测效果和检测效率。

技术领域

本发明涉及一种物体表面缺陷自动检测方法及系统，具体涉及一种基于深度学习语义分割的物体表面缺陷检测方法。

背景技术

随着现代工业的发展，缺陷检测技术被广泛应用于布匹瑕疵检测、工件表面质量检测、航空航天领域等。相对于简单场景下的物体表面缺陷检测，现代工业对缺陷检测技术提出了更为严格的要求。随着计算机技术、人工智能等科学技术的出现以及发展，基于机器视觉技术的物体表面缺陷检测技术应用而生，极大程度上改善了物体表面缺陷检测效果以及提高了物体表面缺陷检测速率，同时避免了因场景条件、主观判断等因素影响缺陷检测结果的准确性。在机器视觉技术领域中，物体表面缺陷检测技术通过计算机视觉来模拟人类视觉功能，从具体的被测实物进行图像的采集处理计算，最终实现工业视觉实际检测、控制以及相应的场景应用。

但是，目前的大多数机器视觉技术的物体表面缺陷检测技术都是针对表面规则或者检测场景简单的情况，当检测物表面不规则或者场景复杂度上升后，检测效果和检测效率就无法兼顾，严重影响了缺陷检测的适用性。

发明内容

本发明所要解决的技术问题在于针对上述现有技术存在的不足提供一种基于深度学习语义分割的缺陷检测方法，能够自动化、高效率的对物体表面进行缺陷检测，从而实现物体表面缺陷的自动识别以及缺陷检测结果的量化处理。当检测物表面不规则或者场景复杂度上升后，能够很好的兼顾检测效果和检测效率。

本发明所采用的技术方案为：

一种基于语义分割的缺陷检测方法，其特征在于具体包括以下步骤：

S1、制作物体表面缺陷训练图像集，在同一场景下对不同空间位姿下的物体表面进行表面缺陷图像样本采集；

S2、制作物体表面缺陷图像集，采用图像增强技术完成表面缺陷图像的手动标注；

S3、利用表面缺陷训练图像集TrainSet_Defect为输入，表面缺陷标注训练图像集TrainLabelSet_Defect为输出，搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型；

S4、进行深度学习语义分割缺陷检测模型的训练；

S5、基于已训练的深度学习语义分割缺陷检测模型，进行物体表面缺陷检测；

得到对应输出的具有缺陷种类标签图像，获得缺陷检测结果。

进一步的，步骤S1中，采集样本图像数量为N幅，N≥300。

进一步的，步骤S2中，在物体表面缺陷图像集制作中，要求表面缺陷面积截取图像的1/3，否则不被视为缺陷图像；在一幅缺陷图像中，缺陷数据要远少于背景数据；经过物体表面缺陷图像增强处理算法后，图像中缺陷数据与背景数据的比值接近1:1。

进一步的，步骤S2中图像增强技术包括图像翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动以及旋转变换/反射变换中的至少一种。