[发明专利]一种基于异常合成与分解的纹理表面缺陷检测方法与系统

说明书

本发明公开了一种基于异常合成与分解的纹理表面缺陷检测方法和系统，属于图像处理领域。本发明构建分割引导的缺陷生成网络，可利用少量真实缺陷训练样本生成大量与真实缺陷相似的缺陷样本，同时提出基于高斯采样的异常合成方法可利用无缺陷正样本随机合成异常负样本，可解决工业中缺陷样本量少的难题，进而提高缺陷检测精度；本发明通过采用异常分解网络来将异常负样本分解为纹理背景图像与异常掩膜图像，可有效抑制缺陷被重构到纹理背景中，提高纹理背景重构精度，并可精确分割缺陷区域，将残差图像与异常分割图像融合，进而提高缺陷检出率、降低缺陷过检率。

技术领域

本发明属于图像处理领域，更具体地，涉及一种基于异常合成与分解的纹理表面缺陷检测方法与系统。

背景技术

在工业制造领域，各类工业产品的原材料品质种类各异，生产制造工艺过程复杂。在产品的表面难以避免会产生各类表面缺陷，例如纺织物、新型显示器件、陶瓷、钢材等。表面缺陷指的是与周边纹理结构和模式不同的局部区域，或者具有不规则亮度变化的局部区域。由于各类产品的表面往往呈现出不同的纹理特征，这些纹理表面缺陷会直接降低产品品质，影响用户体验。为提高生产质量，在制造过程中应严格控制所有类型的表面缺陷。基于机器视觉的纹理表面缺陷检测技术是进行纹理表面缺陷检测的最重要技术，其利用人工智能技术，实现智能制造。故基于人工智能的纹理表面缺陷检测是整个制造业的基础和关键。

在各类工业产品制造过程中，纹理表面缺陷具有以下特点：不同类型、大尺度变化、低对比度、不规则亮度变化、形状多变，同时，不良品相对于良品的数量是极少的，导致可用的缺陷样本数量较少，给视觉检测带来了极大的困难。因此，纹理表面缺陷检测算法仍然是工业产品质量控制中的挑战性任务。

目前，已有大量算法被提出来解决纹理表面缺陷的检测难题。已有方法只能适应于某一类或几类纹理(如只能检测显示器件，无法适用于木材表面)，只能检测固定类型的纹理缺陷(如只能检测高对比度缺陷，无法检测低对比度缺陷)，难以解决所有情况。因此，需要提出一种更为鲁棒、适应性更强的深度学习纹理表面缺陷检测算法，能适用于各类纹理，对不同类型的纹理表面缺陷都有较好的鲁棒性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于异常合成与分解的纹理表面缺陷检测方法与系统，其目的在于提高表面缺陷检测的精度。

为实现上述目的，本发明提供了一种基于异常合成与分解的纹理表面缺陷检测方法，包括：

S1.构建分割引导的缺陷生成网络；所述缺陷生成网络包括生成器和分割引导的判别器；所述生成器用于将第一类合成负样本图像I_cn转变为与真实缺陷图像更相似的第一类异常负样本图像I_n；所述第一类合成负样本图像I_cn由无缺陷纹理背景I_p与缺陷图像I_d的缺陷标签图像I_l通过分区域叠加合成；所述分割引导的判别器用于分别对异常负样本图像I_n与真实缺陷图像I_d进行缺陷分割；

S2.以缺陷分割为目的，利用对抗学习方法训练缺陷生成网络；

S3.利用训练好的生成器转化第二类合成负样本图像I′_cn，得到第二类异常负样本图像I′_n；所述第二类合成负样本图像由无缺陷纹理背景I_p与随机采样生成的异常掩膜图像I_a通过分区域叠加合成；

S4.构建异常分解网络，并以无缺陷纹理背景I_p和第二类异常负样本图像I′_n作为训练集训练异常分解网络；所述异常分解网络用于将缺陷图像分解为纹理背景图像与异常图像；

S5.将待检测的纹理表面图像输入训练好的异常分解网络，得到对应的纹理背景图像与异常图像，将缺陷图像与纹理背景图像间的残差图像与异常图像融合，得到缺陷检测结果得到缺陷检测结果。