[发明专利]基于单样本学习的工业产品缺陷检测方法

说明书

本发明公开了一种基于单样本学习的工业产品缺陷检测方法，该方法首次提出了一种基于单样本学习的微调条件网络。在网络中，条件模块保证了网络能够更完整地学习辅助数据集的特征，概率图生成模块提高了检测算法在不同任务之间的可移植性。在只使用一个带注释的样本作为监督的情况下，微调条件网络能够判断缺陷是否存在，并在灰度图像中定位它们。本发明能够准确地检测不同工业产品上不同类型且不同形状的表面缺陷，具有良好的鲁棒性和兼容性。

技术领域

本发明涉及机器视觉和深度学习技术领域，具体涉及一种基于单样本学习的工业产品缺陷检测方法。

背景技术

产品内部或外部的缺陷会降低产品的性能，甚至会对个人的生命财产造成威胁。因此，有必要对产品进行缺陷检测，以防止任何意外的损失。

工业生产线已逐步从劳动密集型向自动化、智能化方向发展。特别是在产品监控过程中，大多数基于机器视觉的自动检测算法已经取代了低效的人工肉眼检测。这些检测算法分为两类：传统方法和深度学习方法。传统方法通过人工来设计特征来匹配特定类型的缺陷，在问题并不太复杂的情况下，传统方法能够很快地给出解决方法。但是人工设计的特征只能应用于特定的对象，难以迁移到其他对象和任务中。深度学习方法能够处理较为复杂的问题，同时不需要人工过多的干预，作为一种有力的工具，可以应用到不同的对象中去而不需要过多的修改。但是深度学习方法需要足够的训练样本进行学习，否则训练结果不够满意。一方面对数据进行标注比较耗费人力和时间，另一方面，在某些场景下，如医学、工业，获取足够的样本是比较困难的。因此研究一个只需使用少量样本训练的网络或者能够利用其他数据集进行训练的网络十分重要。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于单样本学习的工业产品缺陷检测方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于单样本学习的工业产品缺陷检测方法，所述检测方法包括以下步骤：

S1、搭建微调条件神经网络，所述微调条件神经网络包括条件模块、概率图生成模块以及预测模块，其中，条件模块用于确定输入图像的特征图的缩放倍数，以此来检测不同尺寸的缺陷；所述概率图生成模块用于生成某个像素的特征分别属于前景和背景的概率，辅助预测结果的生成；所述预测模块以概率图生成模块的输出作为输入，输出缺陷的分割结果；

S2、使用公开非工业数据集训练微调条件神经网络；

S3、使用微调条件神经网络分割工业数据集中的缺陷。

进一步地，步骤S1所述条件模块包括特征提取模块和并联的三个分支B₁、B₂、B₃；

其中特征提取模块由Conv(1,64)、Conv(64,64)、Maxpool、Conv(64,128)、Conv(128,128)、Maxpool、Conv(128,256)、Conv(256,512)、Maxpool依次串联组成。特征提取模块用来提取图像的基础特征，提高输入图像的信息维度；

其中，Conv(IC,OC)表示卷积块，IC和OC分别表示输入通道数和输出通道数，每个卷积块包含一个卷积层和一个Relu激活函数层，卷积层的大小为3×3、步长为1，Maxpool表示大小为2×2、步长为2的最大池化层，一个池化层将图像尺寸变为原来的一半，因此图像的缩放比例通过池化层的个数来控制；