[发明专利]一种基于异常特征分解与纹理背景转换的缺陷检测方法

说明书

本发明属于图像处理领域，并公开了一种基于异常特征分解与纹理背景转换的缺陷检测方法。该方法包括随机剪接模块、域特征交叉模块、对抗分割模块及隐空间约束模块，随机剪接模块用于人工异常样本的随机生成；域特征交叉模块分解背景特征和缺陷特征，隐式转换背景特征完成特征分离；隐空间约束模块将正常域与异常域背景特征进一步约束在公共空间中；像素级对抗分割模块通过像素级对抗学习机制，进一步提升纹理重构精度，还能直接分割出缺陷位置。进行检测时，一方面将输入图像与重构的纹理背景图像作差间接确定缺陷区域，另一方面在缺陷图中直接分割缺陷。如此，本发明对不同纹理表面上的不同大小、不同对比度的缺陷有较高的检测精度。

技术领域

本发明属于图像处理领域，更具体地，涉及一种基于异常特征分解与纹理背景转换的缺陷检测方法。

背景技术

在工业制造领域，原材料的品质种类各异，生产制造过程复杂，在产品的表面经常会产生表面缺陷，例如钢材、木材、纺织物、瓷砖与新型显示器件如TFT-LCD、OLED等。由于各类产品的表面往往呈现出纹理特征，表面缺陷指的是与周边纹理结构和模式不同的局部区域，或者具有不规则亮度变化的局部区域。这些纹理表面缺陷会直接降低产品品质，影响用户体验。为提高生产质量，在制造过程中应严格控制所有类型的表面缺陷，故纹理表面缺陷检测是整个制造业的基础和关键。

在各类工业产品制造过程中，纹理表面缺陷具有以下特点：不同类型、大尺度变化、低对比度、不规则亮度变化、形状多变，同时，不良品相对于良品的数量是极少的，导致可用的异常样本数量较少，这给视觉检测带来了极大的困难。因此，纹理表面缺陷检测方法仍然是工业产品质量控制中的挑战性任务。

目前，已有很多方法被提出来解决纹理表面缺陷的检测难题，但这些研究成果只能适应于某一类或几类纹理(如只能检测显示器件，无法适用于木材表面)，只能检测固定类型的纹理缺陷(如只能检测高对比度缺陷，无法检测低面积缺陷)，难以解决所有情况。因此，需要提出一种基于无监督深度学习的纹理表面缺陷检测方法，能适用于各类纹理，对不同类型的纹理表面缺陷都有较好的鲁棒性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于异常特征分解与纹理背景转换的缺陷检测方法，其目的在于利用深度学习的强大的数据建模能力进行工业产品表面缺陷检测，由此解决纹理表面缺陷检测方法中的不同类型、大尺度变化、极低对比度、不规则亮度变化、形状多变和缺乏样本等原因引起的检测精度不高的问题。可极大提升检测精度。

为实现上述目的，第一方面，本发明提供了一种基于异常特征分解与纹理背景转换的缺陷检测模型的构建方法，包括：

S1、搭建缺陷检测模型；所述缺陷检测模型包括：级联且共享网络参数的第一域特征交叉模块和第二域特征交叉模块；

所述第一域特征交叉模块，用于提取输入的正常样本的第一正常域背景特征以及提取输入的异常样本的第一异常域背景特征和第一异常域缺陷特征；再基于所述第一异常域背景特征生成第一伪正常样本以及基于所述第一正常域背景特征和第一异常域缺陷特征生成第一伪异常样本；

所述第二域特征交叉模块，用于提取所述第一伪正常样本的第二正常域背景特征以及提取第一伪异常样本的第二异常域背景特征和第二异常域缺陷特征；再基于所述第二异常域背景特征生成第二伪正常样本以及基于所述第二正常域背景特征和第二异常域缺陷特征生成第二伪异常样本；

S2、以最小化第一伪正常样本与输入的异常样本之间的残差、与第一伪异常样本与输入的正常样本之间的残差之间的差异，以及最小化第二伪正常样本与输入的正常样本之间的残差、与第二伪异常样本与输入的异常样本之间的残差之间的差异为目标，训练所述缺陷检测模型。

进一步地，所述第一域特征交叉模块包括：