[发明专利]基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法

说明书

本发明涉及基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法，与现有技术相比解决了钢材图片缺陷检测需依赖大量标记数据的缺陷。本发明包括以下步骤：工业生产钢材图片的获取和预处理；上游钢材表面缺陷表征学习模型的构建；上游钢材表面缺陷表征学习模型的训练；下游钢材表面缺陷检测器的构建；下游钢材表面缺陷检测器的训练；待检测工业生产钢材图片的获取；工业生产钢材图片缺陷检测结果的获得。本发明无需大量标记数据，通过在大量的无标记数据集上进行自监督表征学习，获得缺陷数据的良好表征，从而利用少量带标记的钢材缺陷图片实现工业生产中的钢材图片缺陷检测。

技术领域

本发明涉及工业图像检测技术领域，具体来说是基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法。

背景技术

缺陷检测是工业生产中重要的环节，钢材表面缺陷检测是指检测钢材表面的划痕、开裂、异物、腐蚀、孔洞等问题。传统的依赖人力的检测方法存在效率低下，检测结果易受人为主观因素影响等弊端。随着科学技术的进步，一些无损检测方法被提出并应用到各种缺陷检测领域。在钢材缺陷检测领域，主要是利用磁粉探伤、渗透探伤、涡流检测、超声波检测、X射线等技术。伴随着人工智能技术的大力发展，许多新型的缺陷检测方法被提出，并应用到工业环境中。

一些基于传统视觉技术的钢材缺陷检测方法在很长一段时间内发挥了巨大作用，这些方法主要分为三类：基于纹理特征的方法、基于颜色特征的方法、基于形状特征的方法。深度学习技术的快速发展使得其在钢材缺陷检测领域也取得了广泛的应用，许多的钢材缺陷样本分类和检测技术被提出，其中包括有监督方法、无监督方法、弱监督方法。该类基于深度学习的方法通过在大量钢材表面缺陷样本上进行训练，自主学习各类钢材缺陷特征，在各种工业环境下，都取得了不错的效果，具有较强的鲁棒性，同时能保证检测的速度，满足工业生产的需求。

基于深度学习的方法虽然有准确度高，鲁棒性强等特点，但其模型的训练需要大量的数据，尤其是标记数据。钢材表面缺陷存在颜色单一，缺陷目标小及各类缺陷多并行出现等特点，非专业人员很难分辨及归纳各类缺陷样本，导致在该领域内获取标记数据的代价极大。

由于基于深度学习的缺陷检测模型包含几千万的参数量，在模型的训练中需要超大体量的标记数据去拟合参数，标记数据的不足会极大的影响基于深度学习方法的钢材缺陷检测效果。这也使得传统的深度学习缺陷检测技术无法应用到工业生产的钢材图片检测中，因为在实际工业生产中，无法获取到大量的钢材缺陷图片(有标签样本)，只存在极少量的钢材缺陷图片，无标签样本在传统的深度学习检测技术中，又难以达到实际使用效果。

因此，如何提出一种不依赖大量标记数据就能实现检测钢材图片缺陷的方法已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中钢材图片缺陷检测需依赖大量标签数据的缺陷，提供一种基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于自监督对比表征学习技术的工业生产中钢材图片缺陷检测方法，包括以下步骤：

工业生产钢材图片的获取和预处理：获取有标签、无标签的工业生产钢材图片并进行预处理；

上游钢材表面缺陷表征学习模型的构建：构建上游钢材表面缺陷表征学习模型；

上游钢材表面缺陷表征学习模型的训练：利用预处理后的无标签工业生产钢材图片对上游钢材表面缺陷表征学习模型进行训练；

下游钢材表面缺陷检测器的构建：基于利用大量无标签图片进行表征训练得到的骨干征提取网络，进行下游钢材表面缺陷检测器的构建；

下游钢材表面缺陷检测器的训练：利用预处理后的有标签工业生产钢材图片对下游钢材表面缺陷检测器进行训练；