[发明专利]一种纹理表面缺陷检测方法及系统

说明书

本发明属于图像处理领域，公开了一种纹理表面缺陷检测方法及系统。该方法包括离线训练阶段及在线检测阶段，其中：离线训练阶段先通过先验提取步骤提取输入纹理图像的多通道纹理先验；再通过纹理重构步骤在提取的先验的引导下，精确重构出输入图像的纹理背景，在纹理重构模块的隐空间中编码更精确的纹理特征、抑制缺陷被重构在纹理背景中；最后，通过像素级对抗学习，进一步提升纹理重构精度。进行检测时，只需将输入图像与重构的纹理背景图像进行作差操作，即可检测出缺陷。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，涉及一种纹理表面缺陷检测方法及系统，更具体地，涉及一种基于先验引导特征编码对抗网络的纹理表面缺陷检测方法及系统。

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，导致可用的缺陷样本数量较少，这给视觉检测带来了极大的困难。因此，纹理表面缺陷检测算法仍然是工业产品质量控制中的挑战性任务。

目前，已有很多算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)，应用范围存在较大局限。

因此，亟需一种基于无监督深度学习的纹理表面缺陷检测算法，能适用于各类纹理，且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，本发明提供了一种纹理表面缺陷检测方法及系统，其目的在于，基于先验引导特征编码对抗网络，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，由此解决了纹理表面缺陷检测算法中的不同类型、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，同时可极大提升检测精度。

为实现上述目的，按照本发明的一个方面，提供了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：

所述离线训练阶段包括：

(1)先验提取步骤：

提取输入纹理图像的多通道纹理先验I_ori，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)提取的纹理先验图像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：