[发明专利]一种基于轻量化网络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轻量化网络的工业产品表面缺陷检测方法，所述方法包括以下步骤：确定深度学习网络模型的结构；将训练样本输入网络模型进行训练，其中，在使用网络对样本进行检测之前，需要对网络的参数进行训练，使每一个参数达到合适的数值；保存训练获得的参数文件；将参数赋值给网络并对测试样本进行检测；根据检测结果对样本图像中的缺陷进行标注。故因此，本发明的有益效果在于使用更少的参数的同时，达到了更高的检测准确率。

技术领域

本发明属于产品表面缺陷检测的研究技术领域，特别涉及一种基于轻量化网络的工业产品表面缺陷检测方法。

技术背景

表面缺陷检测是在工业检测中产品质量保障的重要手段，缺陷检测可以找出有表面缺陷的产品，从而避免这些有质量问题的产品在之后的生产建设环节中造成隐患，减少经济损失。不同的产品，缺陷的大小形状也不相同，而针对这些不同的缺陷，往往需要用到不同的方法，如木材的表面缺陷通常以裂痕为主，形状比较固定形，但通常比较细小，容易漏检，而钢材的表面缺陷则多种多样，用传统图像处理方法可能难以完全检测出来。

表面缺陷检测作为保障产品质量的重要手段，被用于各种各样的产品，比如，被用于纺织品、轮胎、钢条、芯片。随着科研的进展，表面缺陷检测主要运用的技术也不断地变化，大致可以分为三个阶段。

首先是人工检测，这是最原始的表面缺陷检测方式，显然这种方式极度依赖于检测人员的经验，并且准确率也不高，同时，这样的方法也消耗了大量的人力成本。

接下来是以图像处理和机器学习为主的传统方法。针对图像处理，以模板匹配(Template Matching)为例，该方法被广泛应用于工业的表面缺陷检测，归一化交叉相关(Normalized Cross Correlation,NCC)是经常被用于实现模板匹配的方法，它可以检测模板和待检测图像的非相似性。而机器学习相关的方法一般基于特征提取的方法，如结合了特征提取和SVM的针对热轧的检测方法，以及通过提取集合特征和小波特征，针对印制电路板的检测方法。这些基于图像处理和机器学习的方法，被广泛应用于工业检测，但这些方法往往十分复杂，且难以优化。

最后是目前业内主要研究的基于深度学习的检测方法。AlexNet的提出使得深度学习得到了广泛的关注，而在深度学习领域卷积神经网络对目标检测和语义分割都有着巨大的贡献，其中有代表性的网络模型有Faster R-CNN、RetinaNet、SSD、FPN、YOLOv3等。大量基于这些深度学习网络的模型，进行适当地优化之后，都获得了不错的检测效果。

在实际的工业生产环境中，基于图像处理和机器学习的传统方法仍然是主流，但这些方法普遍有一些局限性。首先，这些方法通常会严重的受图像的噪声和图像中光照的影响，其次，特征提取需要根据经验去设计合理的方法，这是十分复杂的，会耗费一定人力成本，最后，传统的方法没有很好的通用性，一个方法设计好之后，很难适用别的类型的产品，因此针对不同种类的产品，不同种类的缺陷，需要设计不同的方法。以上面提到的NCC为例，目前已有的基于NCC的模板匹配方法，都是位移敏感的，且对于不同类型的产品，需要有不同的模板，没有很好地通用性。而大部分基于图像处理和机器学习的方法，往往十分复杂，且难以优化。

而反观基于深度学习的方法，往往拥有较高的通用性，且对于图像噪声的处理也更好。但现有的深度学习网络结构通常十分复杂，检测的耗时往往较大，而工业检测对实时性又恰好有较高的要求。为解决这一问题，比较常见的思路是使用一个轻量级的网络，来减少每个样本的检测时间，然而减小网络层数的代价就是，检测的准确率往往不是太好。

发明内容