[发明专利]一种金属喷漆表面缺陷检测方法

权利要求书

1.一种金属喷漆表面缺陷检测方法，其特征在于，包括以下步骤：

S1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；

S2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；

S3、获取金属喷漆表面包含未知类别缺陷的图像，结合带有标注的正样本、无标注的正样本和负样本，通过对深度学习神经网络进行训练测试，得到训练好的缺陷检测模型；

S4、将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。

2.根据权利要求1所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述金属喷漆表面图像数据集中有缺陷图像的缺陷具体包括流淌、颗粒、翻边和气泡。

3.根据权利要求2所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、对金属喷漆表面图像数据集进行预处理，得到预处理后的H张金属喷漆表面图像；

S22、采用Blob块检测方式，对预处理后的每张金属喷漆表面图像依次进行块检测，以初选出K张有缺陷图像和S张无缺陷图像，其中，K+S＝H；

S23、通过LabelMe图像标注工具，随机对N张有缺陷图像中的缺陷进行标注，得到带有标注的正样本，剩余(K-N)张有缺陷图像即为无标注的正样本，S张无缺陷图像即为负样本。

4.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S21中预处理过程具体为：

S211、通过高斯滤波去除金属喷漆表面图像的噪声；

S212、对金属喷漆表面图像进行直方图均衡化处理，以均匀图像亮度；

S213、依次对金属喷漆表面图像进行阈值分割和腐蚀形态学操作，使图像中的缺陷更加明显。

5.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S22中进行块检测的具体过程为：

S221、采用Blob块检测方式，将金属喷漆表面图像中的缺陷部分圈出来，每张金属喷漆表面图像对应有一张缺陷初选列表；

S222、将检测出缺陷的Blob圈存入该金属喷漆表面图像对应的缺陷初选列表中，通过缺陷初选列表的长度来判断金属喷漆表面图像为有缺陷图像或无缺陷图像：

若缺陷初选列表的长度大于0，即存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为有缺陷图像；

若缺陷初选列表的长度为0，即不存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为无缺陷图像。

6.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S23中带有标注的正样本具体为json格式文件，该文件信息包含标注的标签名称，标注点的坐标值以及标注所用的形状，所述标签名称包括流淌、颗粒、翻边和气泡。

7.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、将带有标记的正样本、负样本和未知类别缺陷的图像共同构成训练集，将无标记的正样本、负样本和未知类别缺陷的图像共同构成测试集；

S32、将训练集输入深度学习神经网络模型，当深度学习神经网络模型loss值训练到一定期望值且达到收敛时，结束训练；

S33、将测试集输入收敛后的深度学习神经网络模型，输出测试集的缺陷分类结果及准确率；

S34、将测试集的缺陷分类准确率与预设的阈值进行比较，若缺陷分类准确率小于预设阈值，则调整深度学习神经网络模型的参数，返回步骤S32，直至缺陷分类准确率大于或等于预设阈值，则得到训练好的缺陷检测模型。