[发明专利]一种基于正样本参考的产品表面缺陷检测方法及系统

说明书

本发明涉及一种基于正样本参考的产品表面缺陷检测方法及系统，该方法包括：构建相似性学习网络，用于根据输入样本计算样本的粗略包围框结果；构建映射分割网络，用于根据精简包围框结果对产品表面缺陷进行检测；获取训练集数据，所述数据为工业产品表面样本图像，所述样本图像包括无缺陷样本和缺陷样本；利用训练集分别对相似性学习网络和映射分割网络进行训练；获取待检测产品的表面图像；将表面图像输入训练后的相似性学习网络，得到粗略包围框结果；基于交集判断法对粗略包围框结果进行处理，得到精简包围框结果；将精简包围框结果输入训练后的映射分割网络，得到待检测产品的表面缺陷。本发明能够提高检测精度和检测速度。

技术领域

本发明涉及缺陷检测领域，特别是涉及一种基于正样本参考的产品表面缺陷检测方法及系统。

背景技术

在工业生产的流水线上，产品表面的缺陷检测是一项必须且必要的环节，其检测的效果及精确度影响着工业生产的性能、效率及利润。传统手工定制特征的算法具有通用性差，检测精度低，开发成本高等缺点。基于图像处理的方法通过设定阈值，或者在频域进行处理，能够自动的进行缺陷的检测，但是由于工业场景受到光照，拍摄场景等外界因素的影响导致精度不高，通用性不好。而深度学习算法具有通用性好，检测精度高，鲁棒性强等优势。在缺陷自动化检测领域，基于深度学习算法正在逐步替代传统的算法。

工业生产环境中存在着三个主要的约束。第一是带缺陷的训练样本数量很少，现在大多数的深度学习网络都是通过大量的数据上进行训练才获得了理想的结果，例如MaskR-CNN。而工业生产环境中良品率远高于次品率，这样就导致小样本的难学习问题。第二是工业生产环境所使用的相机是固定物理位置的，拍摄的产品的背景存在着单一性，这导致样本的物理空间非常一致，而如今的算法并没有考虑工业生产情景中普遍存在的现象：图片的背景单一性。第三缺陷图片的高分辨率，如果直接图像输入由于参数的增多会占用大量的硬件资源难于达到实时性，且对于小缺陷部分出现难以检测的情况。

发明内容

本发明的目的是提供一种基于正样本参考的产品表面缺陷检测方法及系统，能够提高检测精度和检测速度。

为实现上述目的，本发明提供了如下方案：

一种基于正样本参考的产品表面缺陷检测方法，包括：

构建相似性学习网络，用于根据输入样本计算样本的粗略包围框结果；

构建映射分割网络，用于根据精简包围框结果对产品表面缺陷进行检测；

获取训练集数据，所述数据为工业产品表面样本图像，所述样本图像包括无缺陷样本和缺陷样本；

利用所述训练集分别对所述相似性学习网络和映射分割网络进行训练；

获取待检测产品的表面图像；

将所述表面图像输入训练后的相似性学习网络，得到粗略包围框结果；

基于交集判断法对所述粗略包围框结果进行处理，得到精简包围框结果；

将所述精简包围框结果输入训练后的映射分割网络，得到待检测产品的表面缺陷。

可选的，所述构建相似性学习网络，包括：

获取VGG16网络；

去除所述VGG16网络中所有maxpool层和FC层，得到第一神经网络；

将所述第一神经网络中第2、4、7、10、13卷积层的步长参数改为2，得到第二神经网络；

获取FPN卷积神经网络；

构建包围框回归网络，所述包围框回归网络包括一个2048维全连接层和一个18维全连接层；

将所述第二神经网络、FPN卷积神经网络和包围框回归网络依次连接，得到所述相似性学习网络。