[发明专利]基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法

说明书

本发明公开了一种基于FCN+FC‑WXGBoost的工业产品表面缺陷检测方法，包括步骤：1)对图片进行尺寸标准化和归一化操作；2)将图片进行在线增强与分批；3)将图片送入全卷积网络FCN与全连接网络FC结合的网络进行训练；4)将全连接网络输出层的输入作为特征向量，训练一个WXGBoost分类模型，使用克隆选择算法进行自动调参，并将全连接层的输出层替换为WXGBoost，再与全卷积网络FCN组合，得到FCN+FC‑WXGBoost网络模型；5)进行检测时将图片输入FCN+FC‑WXGBoost网络，得到缺陷的位置和类别信息。本发明有效降低了光照、曝光和位移等条件对缺陷检测的影响，提高了缺陷检测稳定性，同时降低了缺陷类别不平衡对检测精度的影响，提高检测精度。

技术领域

本发明涉及工业产品表面缺陷检测的技术领域，尤其是指一种基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法。

背景技术

缺陷检测是生产流程中的重要一环，它保障了工业产品的可靠性。工业产品的表面缺陷检测需要对缺陷的位置进行精确定位，并对定位后的缺陷进行分类。在此之前，工业产品的表面缺陷检测技术通常使用传统机器视觉技术，进行图片灰度二值化、边缘轮廓提取以及模板匹配等操作，此类的缺点是对图片的光照、位移等变化十分敏感，鲁棒性较差。同时，不同种类的缺陷出现次数不定，各种缺陷的数量和分布极为不平衡，在进行分类的过程中容易偏向于数量较多的类别，导致对数量稀少的缺陷检测效果较差。

发明内容

本发明的目的在于克服现有的方法对工业产品表面图片的光照变化和位移等条件要求较高，检测的稳定性较差，以及缺陷样本类别不平衡等问题，提出了一种基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法，可有效降低了光照、曝光和位移等条件对缺陷检测的影响，提高了缺陷检测稳定性，同时降低了缺陷类别不平衡对检测精度的影响，提高检测精度，在缺陷检测时具有端到端、泛化性强、精度高等优点。

为实现上述目的，本发明所提供的技术方案为：基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法，包括以下步骤：

1)对选取的工业产品表面图片及其标注进行尺寸标准化和归一化操作，得到训练图片集；

2)对训练图片集进行在线随机数据增强，包括上下左右随机翻转，并将所有图片分为多个批次；

3)根据步骤2)分好的批次，将一个批次的图片输入全卷积网络FCN进行训练，得到输出结果的同时进行反向传播，更新FCN网络参数，并输出网络下采样得到的特征图；

4)将步骤3)得到的每一批次图片上的输出结果进行DBSCAN聚类，并将同一类的像素点使用最小外接矩形标出感兴趣区域，将所有感兴趣区域和步骤3)中提取的特征图输入特征提取算法RoIAlign，提取感兴趣区域特征；

5)搭建全连接网络FC，将步骤4)中提取出的感兴趣区域特征输入全连接网络FC进行训练，通过四步交替训练法，更新全卷积网络FCN和全连接网络FC的权重；

6)重复步骤3)至步骤5)，直至训练图片集内的所有批次都已经参与训练，即完成一个轮次的训练；

7)完成一个轮次后，重复步骤2)至步骤6)进行新一轮的训练，直至达到设定的迭代轮次为止；

8)对极限梯度提升算法XGBoost进行加权改进，得到加权极限梯度提升算法WXGBoost，使用WXGBoost算法进行建模并在建模过程中使用克隆选择算法调参，将全连接网络FC的输出层替换为WXGBoost模型，得到FC-WXGBoost网络，再与全卷积网络FCN组合，得到FCN+FC-WXGBoost网络模型；

9)将待检测的工业产品表面图片输入步骤8)中得到的FCN+FC+WXGBoost网络模型，即可输出待检测图片的缺陷位置和类别信息。