[发明专利]一种基于深度神经网络增广训练的表面缺陷检测方法

权利要求书

1. 一种基于深度神经网络增广训练的表面缺陷检测方法，其特征在于，对于采用的深度神经网络在物体表面缺陷数据集经过增广的数据集上进行训练，称为增广训练，增广训练过程分为两步：静态增广训练和动态增广训练；这里，所述静态增广训练是仅针对表面缺陷数据集进行翻转和小幅平移增广操作的数据集进行训练，所述动态增广训练是针对表面缺陷数据集进行其它增广操作的数据集进行训练；具体步骤如下：

（一）对表面缺陷数据集进行增广操作

根据物体表面缺陷数据集的特点，对于数据进行增广操作，包括翻转、平移、旋转、缩放、添加噪声、亮度调整、图像填充；

（二）对深度神经网络进行增广训练

（1）构建损失函数

在损失函数中引入平衡因子α，平衡因子根据数据集中正、负样本数量比例设计；设N_good和N_bad分别表示数据集中正负样本的数量，平衡因子α取为：

增加平衡因子后深度神经网络的交叉熵损失函数表示为：

其中，为深度神经网络预测值，y为真实标签，y=0表示表面无缺陷，y=1表示表面有缺陷；平衡因子α越大，这一类样本的损失值越大，使网络更加注重有缺陷样本的学习，用来弥补物体表面数据集中正负样本不均衡的问题；

（2）进行增广训练

为了保留图像整体的纹理特征，先进行静态增广训练，即仅使用静态增广后的数据集对神经网络进行训练；当损失值开始抖动不再下降，且10个epoch内损失波动在1%之内时，进行动态增广训练，即进一步对静态增广训练后的网络在其余增广操作的数据集上训练；动态增广训练是在网络已经学习到纹理和缺陷的前提下对网络进行微调，所述其余增广操作得到的数据集，其增广操作类型包括：大幅平移、旋转、缩放、添加噪声、亮度调整、图像填充，并且这些操作针对每一批次的数据以一定的概率发生；

所述小幅平移指移动距离小于整个图像尺寸的5%，大幅平移指移动距离为图像尺寸的5%~10%；

（三）最后，经过增广训练的深度神经网络，实现物体表面缺陷的高精确度检测。

2.根据权利要求1所述的表面缺陷检测方法，其特征在于，所述的对于数据进行增广操作，具体描述如下：

（1）翻转：包括水平方向翻转、垂直方向翻转；

（2）平移：以图像左上角为原点向任意方向平移一定距离；平移距离小于整个图像尺寸5%的称为小幅平移，平移距离为图像尺寸5%~10%的称为大幅平移；

（3）旋转：以图像中心为轴进行0-360°的旋转；

（4）缩放：在任意方向上对图像进行一定程度的放大或缩小；

（5）添加噪声：包括添加高斯噪声、添加椒盐噪声；

（6）亮度调整：对图像像素值乘以一个常数k，k1表示整体增亮，k1表示整体亮度变暗；

（7）图像填充：是对未知空间进行插值填充。