[发明专利]一种基于平行多尺度融合网络的产品缺陷检测方法

说明书

本发明公开了一种基于平行多尺度融合网络的产品缺陷检测方法，包括：将待检测的工业产品图像输入训练获得的产品缺陷检测网络模型，检测分割获得工业产品图像中的缺陷区域。训练获得产品缺陷检测网络模型，包括：构建产品缺陷检测网络模型；获取训练数据集，训练数据集包括历史工业产品图像和对应的缺陷区域的分割掩膜；将训练数据集送入产品缺陷检测模型中，构建历史工业产品图像和对应的缺陷区域的分割掩膜之间的映射关系；根据聚合损失函数，采用Adam优化器实现产品缺陷检测网络模型参数的迭代优化与更新。本发明实现了对工业产品图像分割缺陷区域，提高了分割的准确度。

技术领域

本发明涉及一种基于平行多尺度融合网络的产品缺陷检测方法，属于图像处理技术领域。

背景技术

表面缺陷检测是工业生产过程中不可或缺的一个过程，也是计算机视觉中非常重要的研究内容。在生产过程中，由于生产工艺和生产环境复杂，表面缺陷不可避免，这些缺陷不仅影响了产品的美观，甚至损害了产品的寿命和安全，因此产品的缺陷检测是必不可少的检验程序。在以往的工业生产中，依靠传统的人工目视检查方法，存在着效率低、成本高、安全度差和泄漏率等问题。近年来，随着机器学习和深度学习的发展，基于计算机视觉的表面缺陷检测广泛应用于3C、半导体、电子、制药、化工和机械制造业，可以有效解决依赖人工检查的问题。目前，基于机器视觉的自动检测方法可以解决现有的人工检查问题，如效率低、劳动强度高和主观因素等，引起了越来越多研究者的兴趣。然而由于生产环境的噪声、人为干扰、缺陷类型的多样性和复杂性，现有的工业产品表面缺陷的分割和定位方法的精度仍然不能很好满足实际应用需求。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于平行多尺度融合网络的产品缺陷检测方法。

为达到上述目的，本发明提供一种基于平行多尺度融合网络的产品缺陷检测方法，包括：将待检测的工业产品图像输入训练获得的产品缺陷检测网络模型，检测分割获得工业产品图像中的缺陷区域。

优先地，训练获得产品缺陷检测网络模型，包括：

构建产品缺陷检测网络模型；

获取训练数据集，训练数据集包括历史工业产品图像和对应的缺陷区域的分割掩膜；

根据聚合损失函数，将训练数据集送入产品缺陷检测模型中，构建历史工业产品图像和对应的缺陷区域的分割掩膜之间的映射关系，采用Adam优化器实现产品缺陷检测网络模型参数的迭代优化与更新；

若聚合损失函数收敛于一定值或者达到设定的迭代次数，则训练结束，获得最终的产品缺陷检测网络模型。

优先地，构建的产品缺陷检测网络模型包括基干网络、并行多尺度通道和融合检测模块，基干网络、并行多尺度通道和融合检测模块依次连接；

基干网络进行多个平行多尺度特征提取。

优先地，聚合损失函数为：

式中，N表示批处理大小，k是深度监督信号的个数，μ_k表示第k个侧输出融合损失的权重，L_bce表示二元交叉熵损失，L_ssim表示SSIM损失，L_iou表示边界IOU损失，θ为待迭代优化更新的产品缺陷检测网络模型的训练超参。

优先地，二元交叉熵损失的计算公式为：

式中，G(x,y)∈{0,1}是真实缺陷区域的真实标签，Y(x,y)是产品缺陷检测网络模型预测的有缺陷区域的概率，(x，y)是历史工业产品图像的像素坐标；

SSIM损失的计算公式为：