[发明专利]一种基于混合监督学习的表面异常检测方法

说明书

本发明具体公开了一种基于混合监督学习的表面异常检测方法。所述方法包括以下步骤：首先获取表面正常的正常样本以及表面异常的异常样本并进行预处理；并构建包括异常定位网络、自注意力网络和异常判别网络的神经网络模型，然后将预处理数据输入神经网络模型中进行训练以获取异常检测神经网络模型；最后将待测图像数据输入异常检测神经网络模型中，进而能够自动判别待测图像是否存在异常以及对异常区域进行定位。本发明中只需要对少量异常样本进行粗糙标注，无需提供大量精细标注的缺陷样本作为训练样本，减轻了全监督学习的高精度标注需求，大大降低了标注成本，提高了检测效率，能够准确高效完成工业表面检测任务。

技术领域

本发明涉及深度学习与工业检测技术领域，尤其涉及一种基于混合监督学习的表面异常检测方法。

背景技术

异常检测是指能够在一组同质自然图像中检测出异质或意外模式的检测，目前异常检测有了大量的应用，其中就包括视觉工业检查。产品及其表面的质量检测是工业生产中的一个重要环节，质量检测方法包括传统质量检测方法与基于深度学习的质量检测方法两大类，传统的机器视觉的方法已被广泛应用于自动化视觉检测过程，随着工业自动化进程的不断推进，新的基于深度学习的检测方法也已经开始被使用，传统的机器学习模型依赖人工分析与提取缺陷特征获得的特定视觉检测任务，然后使用基于规则的先验知识或基于学习的分类器作出决策，如支持向量机，神经网络与决策数等，在这种方法中系统性能严重依赖于特定特征类型的准确表示，因此这种方法非常低效，主观且耗时；与传统机器学习方法不同，深度学习模型由于可以自动从低级数据中学习特征，对复杂特征建模能力强，且无需人工干预，因此深度学习模型更适合于异常检测任务，然而深度学习算法的成功很大程度上取决于用于训练有效的深层网络的标记图像，由于异常样本在工业生产线上非常罕见，且像素级标注成本较高导致训练数据缺乏，会严重影响模型的检测性能，因此通过减少所需的标注量和降低预期的标签精度来最小化标注工作，同时提升检测效率与检测精度对提高工业产品经济效益具有重要意义。

发明内容

本发明的目的是克服现有技术中的缺点和不足，本发明提出一种基于混合监督学习的表面异常检测方法，该方法由异常定位网络、自注意力网络与异常判别网络三部分组成，在标签数量极少的条件下对异常进行精准检测与定位，准确高效完成工业表面检测任务。本发明只需要对少量异常样本进行粗糙标注，无需提供大量精细标注的缺陷样本作为训练样本，减轻了全监督学习的高精度标注需求，大大降低了标注成本，提高了检测效率。

为了解决上述技术问题，本发明提供了一种基于混合监督学习的表面异常检测方法，所述方法包括以下步骤：

S1、获取包含异常样本和正常样本的图像数据并构建对应的数据集，其中，异常样本记为正样本，正常样本记为负样本；

S2、将数据集中的所有图像数据裁剪为统一尺寸并按比例分为训练集和测试集，然后通过标注工具对所有负样本以及训练集中少量的正样本和测试集中的所有正样本进行像素级标注，得到包含部分正样本和所有负样本的标注后的像素级标签；

S3、将标注后的像素级标签的像素值进行归一化处理，并对归一化处理后的像素级标签进行八倍下采样，得到八倍下采样后的标签y_mask；然后利用膨胀函数对正样本中标注后的像素级标签进行L倍膨胀以获取粗糙的像素级标签，对粗糙的像素级标签应用距离变换算法进行处理得到加权分割损失矩阵，最后对所得到的加权分割损失矩阵进行八倍下采样，从而得到八倍下采样的加权分割损失矩阵；

S4、构建包括异常定位网络、自注意力网络和异常判别网络的神经网络模型，并将步骤 S2中得到的训练集中的图像数据及其对应的像素级标签和步骤S3中得到的八倍下采样的加权分割损失矩阵输入所构建的神经网络模型中进行训练，得到异常检测神经网络模型；

S5、将采集到的待测图像数据输入所得到的异常检测神经网络模型中，通过异常检测神经网络模型自动判别待测图像是否存在异常并对异常区域进行定位，进而实现待测物体表面的异常检测。