[发明专利]一种基于多尺度特征融合的工业表面缺陷检测方法

权利要求书

1.一种基于多尺度特征融合的工业表面缺陷检测方法，其特征在于，包括以下步骤：

获取训练样本并对训练样本进行预处理，得到训练样本数据；

基于小卷积核构建分割网络并根据训练样本数据对分割网络进行训练，得到训练完成的分割网络；

基于小卷积核构建分类网络并根据训练样本数据对分类网络进行训练，得到训练完成的分类网络；

基于训练完成的分割网络和训练完成的分类网络对待测样本进行检测，得到检测结果；

所述训练完成的分割网络包括低层特征提取模块、高层特征提取模块和多尺度特征融合模块。

2.根据权利要求1所述一种基于多尺度特征融合的工业表面缺陷检测方法，其特征在于，所述获取训练样本并对训练样本进行预处理，得到训练样本数据这一步骤，其具体包括：

获取PCB、LED和KolektorSDD的图像样本并对图像样本创建掩膜标签和类别标签；

对图像样本进行灰度化和尺寸调整，得到训练样本数据。

3.根据权利要求1所述一种基于多尺度特征融合的工业表面缺陷检测方法，其特征在于，所述基于小卷积核构建分割网络并根据样本数据对分割网络进行训练，得到训练完成的分割网络这一步骤，其具体包括：

基于小卷积核构建分割网络；

将样本数据输入到分割网络，经过低层特征提取模块得到低级细节特征；

将低级细节特征经过高层特征提取模块，得到高级语义特征；

将低级细节特征和高级语义特征经过多尺度特征融合模块，得到最终的分割特征；

根据分割特征对图像样本进行分割，得到分割掩膜；

将分割掩膜与对应的掩膜标签对比计算分割误差并反馈给分割网络进行迭代训练，得到训练完成的分割网络。

4.根据权利要求3所述一种基于多尺度特征融合的工业表面缺陷检测方法，其特征在于，所述分割误差的计算公式如下：

l_n＝-[y_n.logσ(x_n)+(1-y_n).log(1-σ(x_n))]

L(x，y)＝{l₁，l₂，l₃，...，l_N}^T

上式中，l_n表示某个像素的分类误差，x_n表示某个像素的网络输出值，y_n表示某个像素真实的标签，σ表示Sigmoid函数，将x_n转换为0-1之间的概率值，L(x，y)表示一张图像上所有像素的分类误差集合，最后的loss值为L(x，y)集合的平均值。

5.根据权利要求4所述一种基于多尺度特征融合的工业表面缺陷检测方法，其特征在于，所述基于小卷积核构建分类网络并根据训练样本数据对分类网络进行训练，得到训练完成的分类网络这一步骤，其具体包括：

基于小卷积核构建分类网络；

将分割特征和分割掩膜输入到分类网络，输出该样本是缺陷样本的概率；

将该概率与对应的类别标签对比计算分类误差并反馈给分类网络进行迭代训练，得到训练完成的分类网络。

6.根据权利要求5所述一种基于多尺度特征融合的工业表面缺陷检测方法，其特征在于，所述分类误差的计算公式如下：

其中，y表示图像类别标签(0或者1)，0代表该样本是无缺陷的，1代表该样本是有缺陷的，out为样本输出的类别逻辑概率。

7.根据权利要求6所述一种基于多尺度特征融合的工业表面缺陷检测方法，其特征在于，所述基于训练完成的分割网络和训练完成的分类网络对待测样本进行检测，得到检测结果这一步骤，其具体包括：

将待测样本输入到训练完成的分割网络，得到待测样本的分割特征和掩膜信息；

将待测样本的分割特征和掩膜信息经过训练完成的分类网络，输出待测样本的检测结果。