[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

说明书

本发明公开了一种基于多尺度特征融合的工业表面缺陷检测方法，该方法包括：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。本发明在保证检测准确率的情况下，减少计算量。本发明作为一种基于多尺度特征融合的工业表面缺陷检测方法，可广泛应用于工业缺陷检测领域。

技术领域

本发明属于工业缺陷检测领域，尤其涉及一种基于多尺度特征融合的工业表面缺陷检测方法。

背景技术

在工业生产过程中，确保质量最重要的任务之一是检查产品的表面。表面质量检查通常需要工人接受专业知识培训后，逐个识别复杂的表面缺陷。但这既耗时又会严重影响生产能力。因此，智能化缺陷检测不仅能很好地提高生产效率、降低成本。然而传统的计算机视觉方法依赖于人工的技术经验，需要人为的设计更适合特定场景样本的特征提取的方法进行分类，例如SVM分类器、决策树或者K近邻算法。但工业产品的多样性会导致技术人员难以选择更有利判别的特征，所以借助数据驱动的深度学习将起到非常重要的作用。

工业对此任务的要求不仅仅是高准确度，还包括低误检率和低漏检率，网络的性能也需要有更高的稳定性。然而，实际应用中存在着正样本数量少，类别不均衡，目标尺度太小等难点，普通的网络难以达到工业上的要求。近年来，一些采用先分割后分类的方法来解决这些问题，但是这类方法仍然存在一些缺点，比如：特征的表达能力不强且感受野相对较小，预测效率低等问题。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于多尺度特征融合的工业表面缺陷检测方法，在保证检测准确率的情况下，减少计算量。

本发明所采用的技术方案是：一种基于多尺度特征融合的工业表面缺陷检测方法，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。

进一步，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。

进一步，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；

所述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；

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类网络进行迭代训练，得到训练完成的分割网络。