[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

说明书

本发明属于表面缺陷检测技术领域，具体为一种基于深度神经网络增广训练的表面缺陷检测方法。本发明方法，对于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；训练过程分为：静态增广训练和动态增广训练；前者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，后者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；对表面缺陷数据集的增广操作包括平移、旋转、缩放、添加噪声、亮度调整、图像填充等；实验表明，本发明可防止神经网络过拟合或无法拟合，节省训练时间，增强深度神经网络模型的准确率和鲁棒性；在数据集较小及类型不均衡的情况下，可以提高物体表面缺陷检测的精确度和召回率。

技术领域

本发明属于表面缺陷检测技术领域，具体设计一种表面缺陷检测方法。

背景技术

工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响，所以生产企业需要对产品的表面缺陷进行检测以便及时发现并加以控制。

传统缺陷检测算法使用“手工设计的特征”进行缺陷检测，手工设计特征仅适用于特定的缺陷检测，面对新的缺陷检测都要重新定制化设计，不便于长期使用和维护。深度神经网络具有对新数据集的学习能力，适用性强，鲁棒性高。但深度学习应用于表面缺陷检测仍存在以下的问题：1、深度学习需要庞大且丰富的训练数据，但工业检测领域的数据采集不容易，且缺陷数据标签更不容易生成。2、在数据集有限的情况下，数据必然存在数据类型不平衡的情况，通常负样本（即表面有缺陷图像）数量远少于正样本数量。这些问题给基于深度学习的表面缺陷检测带来极大的困难。

发明内容

本发明的目的在于提供样本量较少、准确率高的基于深度神经网络增广训练的表面缺陷检测方法。

本发明提供的基于深度神经网络增广训练的表面缺陷检测方法，是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

表面缺陷数据集与传统检测数据相比有以下主要特征：

1、物体表面图像有较为规律的纹理；

2、物体表面缺陷可能出现在整张图像的任意位置；

3、物体表面缺陷特征的语义信息不强；

4、数据集中有缺陷的数据量远远小于正常的数据量；

5、数据集整体数量少。

针对物体表面缺陷数据集的这些特点，对于数据进行增广操作，包括翻转、平移、旋转、缩放、亮度调整、加噪声、在损失函数引入平衡因子等。具体描述如下：

（1）翻转。翻转包括（但不限于）：水平反向翻转、垂直方向翻转，其效果图如图1所示；

（2）平移。平移包括（但不限于）：以图像左上角为原点向任意方向平移一定距离，其效果如图3所示。这里，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。旋转包括（但不限于）：以图像中心为轴进行0-360°的旋转，其效果如图2所示；

（4）缩放。缩放包括（但不限于）：考虑到观测方向可调节性，在任意方向上对图像进行一定程度的放大或缩小，其效果如图4所示；

（5）添加噪声。添加噪声包括（但不限于）：高斯噪声、椒盐噪声等，其效果如图5所示；

（6）亮度调整。亮度调整包括（但不限于）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，其效果如图6所示；