[发明专利]基于孪生网络的工业产品大缺陷检测方法

说明书

本发明提供了一种基于孪生网络的工业产品大缺陷检测方法，包括：将图像直接分成OK、NG两大类，从而构建出多个图像对；使用图像对训练孪生网络；所述图像对分别经过所述孪生网络的卷积层、全连接网络提取图片的特征向量；根据所述图像对的两个特征向量计算距离；如果距离大于阈值，那计算损失函数；如果损失函数为0则不更新网络参数，大于0则更新网络参数；使用训练好的孪生网络对图像进行识别，以检测出产品的大缺陷。本发明无需手工标注图片即可训练出可供测试的网络，单个模型可以测试多个产品，而非一个产品对应一个模型。

技术领域

本发明涉及缺陷检测领域，特别涉及一种基于孪生网络的工业产品大缺陷检测方法。

背景技术

深度学习的快速发展，拓宽了在计算机视觉在工业产品应用的边界，如目标定位、识别、缺陷检测等。在实际的应用场景中，因深度学习属于有监督学习，往往依赖大量的人工标注数据来训练。深度学习主要是拟合数据的信息，数据的微弱变化都有可能导致模型出现偏差。而在实际的生产中，工业产品的图片往往需要高分辨率的图片，所以图片占的内存比较大，不能直接把图片输入到模型当中，而是输入小图。而在实际的生产中，因照片的光照变化、设备的磨损等，会造成较大的缺陷，如大掉块、大裂纹等，这会使得模型对这些缺陷“视而不见”，造成大缺陷漏检。而这些大缺陷漏检又是客户很不希望看到的，影响使用模型的体验。

一般来说，把这样的大缺陷加入到模型重新训练，可以缓解一定的问题，但是由于现场的环境恶劣、大缺陷出现的图片往往不可预知及数量比较少，且重新训练需要大量的人工标注以及时间成本。这样的操作，耗时费力不讨好，事倍功半。当然也有在用传统图像处理的方式在解决，但是这样的人工设计算法往往只能解决一种产品的一类缺陷，不具备通用性，稳定性也差。

发明内容

本发明提供了一种基于孪生网络的工业产品大缺陷检测方法，以解决至少一个上述技术问题。

为解决上述问题，作为本发明的一个方面，提供了一种基于孪生网络的工业产品大缺陷检测方法，包括：

将图像直接分成OK、NG两大类，从而构建出多个图像对；

使用图像对训练孪生网络；

所述图像对分别经过所述孪生网络的卷积层、全连接网络提取图片的特征向量；

根据所述图像对的两个特征向量计算距离；

如果距离大于阈值，那计算损失函数；

如果损失函数为0则不更新网络参数，大于0则更新网络参数；

使用训练好的孪生网络对图像进行识别，以检测出产品的大缺陷。

优选地，阈值可动态设置，以控制相似图片对和不相似图片对的准确率。

由于采用了上述技术方案，本发明具有以下优点：(1)对于明显的缺陷，无需手工标注图片即可训练出可供测试的网络。(2)单个模型可以测试多个产品，而非一个产品对应一个模型。

附图说明

图1示意性地示出了本发明的网络框架图。

具体实施方式

以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

在工业生产中，深度学习网路往往会对大缺陷视而不见，造成大缺陷漏检。针对工业上出现的这种问题，本发明提出使用孪生网络的方法进行图像相似度计算来判断产品是否出现大缺陷，从而降低大缺陷漏检。

本发明使用孪生网络对比两张图片计算出图片的相似度。使用挑选好的图像对训练一个孪生网络，提取两张图片的特征，计算出特征对的相似度。本发明不需要对使用工具对图像进行额外标注，直接将图像进行分OK、NG两大类就可以。