[发明专利]基于神经网络的金属斑点检测方法及系统

说明书

本发明涉及图像处理技术领域，具体涉及基于神经网络的金属斑点检测方法及系统。获取金属表面图像，并对所述金属表面图像进行标注得到斑点二值图像；根据所述斑点二值图像进行图像处理，获取边界距离权重图像；根据所述边界距离权重图像构建加权边界二元交叉熵损失函数；将金属表面图像输入神经网络，得到斑点分割图像；所述神经网络采用加权边界二元交叉熵损失函数进行训练优化。该方法通过构建加权边界二元交叉熵损失函数来解决模糊边界预测困难的问题，该函数通过生成背景和斑点的不同特征的距离映射，为斑点边界提供权重映射，使得后续神经网络对于斑点的检测更加准确。

技术领域

本发明涉及图像处理技术领域，具体为一种基于神经网络的金属斑点检测方法及系统。

背景技术

金属板广泛应用在工业生产与生产生活的各方面。由于金属板制造过程涉及到的设备、工艺等多因素的影响，金属板表面容易出现种类较多、形态各异的缺陷，这些缺陷对金属板的耐磨性、抗腐蚀性、电磁特性及美观性都会造成不同程度的影响，最终影响金属板的电磁特性和涂镀效果。因此对于生产金属板的企业来说，表面缺陷检测是必不可少的一个工序，一方面可以通过表面缺陷检测及时检测到缺陷产品，保证所产金属板的质量，维护企业的信誉，另一方面也可以通过分析检测结果及时发现生产过程中存在的问题，并及时解决。

随着计算机科学技术的飞速发展，针对金属斑点的检测，人们把更多的目光投向了机器视觉领域。非接触、高效率、便捷客观等优点，使得机器视觉在缺陷检测方面得到更广泛的应用。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于神经网络的金属斑点检测方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于神经网络的金属斑点检测方法，该检测方法包括以下步骤：获取金属表面图像，并对所述金属表面图像进行标注得到斑点二值图像；根据所述斑点二值图像进行距离变换，获取内边界距离图像；将斑点二值图像进行相反映射，得到斑点二值反图像；根据所述斑点二值反图像进行距离变换，获取外边界距离图像；根据所述内边界距离图像与所述外边界距离图像，获取边界距离权重图像；根据所述边界距离权重图像构建加权边界二元交叉熵损失函数；将金属表面图像输入神经网络，得到斑点分割图像；所述神经网络采用加权边界二元交叉熵损失函数进行训练优化。

进一步的，所述内边界距离图像获取方法为对所述斑点二值图像进行距离变换，获取内部距离变换图像；对所述内部距离变换图像进行极差归一化，得到归一化内部距离变换图像；将所述斑点二值图像与归一化内部距离变换图像进行相减，得到内边界距离图像。

进一步的，所述外边界距离图像获取方法为：将斑点二值图像进行相反映射，得到斑点二值反图像；对所述斑点二值反图像进行距离变换，获取外部距离变换图像；对所述外部距离变换图像进行极差归一化，得到归一化外部距离变换图像；将所述斑点二值反图像与归一化外部距离变换图像进行相减，得到外边界距离图像。

进一步的，所述边界距离权重图像的获取方法包括：对内边界距离图像与外边界距离图像进行合并，所述合并操作采用相加操作；得到边界距离图像BD：

边界距离图像通过合并两个不同的遮罩形成，每个遮罩分别突出斑点的内边界和外边界，通过生成背景和斑点的不同特征的距离映射，为斑点边界提供权重映射；表示基础权重图像，大小与内、外边界距离图像相等。

进一步的，所述加权边界二元交叉熵损失函数的获取方法包括：将边界距离图像与二元交叉熵损失相结合，构建加权边界二元交叉熵，该损失函数通过乘以边缘权重来放大边界像素附近的损失值；

M、N表示图像的宽、高，该x,y坐标处像素的标签值，表示x,y坐标处像素的网络预测该像素为斑点的概率值；表示x,y坐标处像素的边界距离权重。

进一步的，所述距离变换的度量距离为欧式距离。