[发明专利]一种纹理表面缺陷检测方法及系统

权利要求书

1.一种纹理表面缺陷检测方法，包括离线训练阶段和在线检测阶段，其特征在于：

所述离线训练阶段包括：

(1)先验提取步骤：

提取输入纹理图像I_ori的多通道纹理先验，其中，W、H、C_in分别表示输入纹理图像的宽、高、通道数；

(2)纹理重构步骤：

从按通道堆叠的输入纹理图像及步骤(1)提取的多通道纹理先验中提取隐空间卷积特征，然后编码为纹理编码特征，再通过转置卷积层将纹理编码特征解码为纹理背景图像，最后输出按通道堆叠的重构后的纹理背景图像及多通道先验图像；

(3)像素级对抗学习步骤：

以真实图像、重构图像及提取图像为输入，以像素级精度来判断每个图像的真假，真实图像视为真，重构图像及提取图像视为假，通过像素级对抗学习机制，进一步提升纹理重构精度；

所述真实图像是由输入纹理图像与对应的真实多通道先验图像按通道堆叠获得，所述重构图像是由重构的纹理背景图像与对应提取的多通道先验图像按通道堆叠获得，所述提取图像是由输入纹理图像与对应提取的多通道先验图像按通道堆叠获得；

所述在线检测阶段包括：

(4)缺陷检测步骤：

对于待检测的输入纹理图像I_ori，先按照步骤(1)提取其多通道纹理先验；然后，按照步骤(2)重构出按通道堆叠的重构后的纹理背景图像及多通道先验图像I_rec，最后将输入纹理图像I_ori与I_rec中对应的重构纹理图像I_tr作差即可检测出纹理表面缺陷：

I_res＝I_ori-I_tr

其中，I_res表示得到的残差图像；

步骤(1)包括如下子步骤：

(1-1)特征提取：

通过卷积层提取输入纹理图像的特征；

(1-2)先验预测：

包含多个分支，每个分支均由转置卷积层组成，一个分支对应解码一种先验图像；步骤(1-1)提取的特征经上述分支处理后，输出多种先验图像先验提取公式为：

其中，表示先验提取函数，θ_P是先验提取的网络参数，N_p是先验图像种类总数，n＝1、2、...、N_p；

先验预测的损失函数为：

其中，表示求期望值，表示对应的预先计算的先验图像；

步骤(2)包括如下子步骤：

(2-1)卷积特征提取：

以按通道堆叠的输入图像及提取的纹理先验图像为输入，记为从中提取隐空间卷积特征F，C表示通道数量；

(2-2)特征编码：

通过有序空间特征编码与无序纹理特征编码两种方式编码隐空间卷积特征F并融合为纹理编码特征；隐空间卷积特征F是由多个局部特征组成，记为：F＝{f₁,...,f_N}；

对于无序纹理特征编码，由残差编码模型来进行特征编码，所述残差编码模型学习的目标是一个由K个词袋组成的字典D＝{d₁,...,d_K}、一组平滑因子s＝{s₁,...,s_K}、一组对角协方差σ＝{σ₁,...,σ_K}；

局部特征f_i与词袋之间的残差计算如下：

r_ik＝f_i-d_k

其中，i＝1,...,N，k＝1,...,K；

每个局部特征被分配给每个词袋的软权重计算如下：

由此得到一阶和二阶残差编码特征

残差编码特征e_k由一阶和二阶残差编码特征连接得到：

将K个残差编码特征连接起来，即得到无序纹理编码特征e：

e＝{e₁,...,e_K}

对于有序空间特征编码，采用一个全局均值池化操作，将隐空间卷积特征F池化为一个C维的向量g；

为了将无序纹理编码特征e与有序空间编码特征g融合起来，先分别采用一个全连接层将其维度统一为C₁，统一维度后的e和g分别表示为再将两个特征进行外积操作：

f_t＝e′g′^T

其中，然后，采用一个全连接层降低f_t的维度得到f_t′，同时，采用一个滤波核个数为C₂的卷积操作将隐空间卷积特征F的通道数降低为C₂，得到最后，将f_t与F′按通道进行点乘即可得到最终的纹理编码特征F_t：

F_t＝f_t′·F′

(2-3)解码：

记最后输出的按通道堆叠的重构后的纹理背景图像及多通道先验图像为I_rec，解码重构的过程表示为：

其中，表示纹理重构函数，θ_T表示纹理重构模块的网络参数，I_ext表示提取图像，是由输入图像与对应提取的多通道先验图像按通道堆叠得到；整个纹理重构的损失函数为：

步骤(3)中对抗学习的损失函数为：

其中，D_ij(·)表示像素ij为真的概率，范围为0～1，值越大则像素ij为真的概率越高，反之越低；I_real表示真实图像，是由输入图像与对应的真实多通道先验图像按通道堆叠得到；

整个离线训练过程中的损失为三项损失函数的联合优化：

L＝λ₁L_prior+λ₂L_rec+λ₃L_adv

其中，λ₁,λ₂,λ₃为权重。