[发明专利]一种基于机器学习的金属表面缺陷检测方法

说明书

本发明公开了一种基于机器学习的金属表面缺陷检测方法，首先将一定数量的缺陷图像数据集输入VGG16模型前两个卷积层得到缺陷图像的特征图，对特征图进行拼接以及相关处理后，采用主成分分析法对转换成二维特征向量集的特征图进行降维，得到特征向量集；再将特征向量集中的每一个特征向量与输入图像的每个像素点一一对应，得到训练样本集，并输入至随机森林算法训练得到检测模型；最后将待检测图像通过预处理后低维成特征向量集，再用训练好的随机森林模型进行缺陷检测，将检测模型输出向量转换为二维矩阵，二维矩阵可视化为图像，得到最终检测结果。

技术领域

本发明属于缺陷检测技术领域，更为具体地讲，涉及一种基于机器学习的金属表面缺陷检测方法。

背景技术

表面缺陷是产品的外在缺陷，它与正常的产品表面存在差异，这种差异往往在合适的光照条件下通过人眼就可以分辨出来，所以在传统的工业生产过程中，人工目测法是检测表面缺陷最常用的方法。绝大部分的金属生产厂家仍然使用传统人工肉眼检测的方法对金属进行外观检测，但由于人注意力的局限性以及检测过程中难以避免的接触，人工检测已经不符合当前金属生产的需要，甚至成为了生产力提升的巨大阻碍，如何在线高效检测金属的表面缺陷成为所有金属制造商需要解决的当务之急。而随着科学技术的进步和新型工业化的进一步推进，金属的生产检测过程也可以与工业物联网、人工智能、计算机视觉等技术概念结合在一起。

国内外金属表面缺陷检测应用的案例很多，例如Gayubo、Fernando等人提出了一种用于检测金属薄板成形过程中裂纹缺陷的自动检测系统，该图像采集系统主要包括一个CCD渐进相机和一个漫射照明系统；为了保证算法检测精度，方法采用马尔可夫随机场模型对采集到的图像进行复原，再使用采用分水岭算法检测缺陷。Pichate Kunakornvong、Pitikhate Sooraksa提出了一种基于机器视觉检测头齿轮总成空气轴承表面(ABS)缺陷的方法，方法给出了成像系统的详细设计和污染检测流程，最终利用图像分割技术和块矩阵生成技术设计并实现了ABS缺陷检测系统。杨云、郭建强等人提出了一种通过HOG法提取图像特征与机器学习中支持向量机算法结合的方法解决工具板定位、识别的问题，首先采集工具板图像制作数据集，得到正负样本后使用HOG法提取样本方向梯度直方图特征，将特征输入SVM中训练得到模型解决工具板的定位及检测问题。为了有效识别和分类薄壁金属罐焊缝缺陷，孙军、李超等人提出了一种基于机器视觉的焊缝缺陷检测与分类算法。在对焊缝缺陷进行分类的基础上，使用基于高斯混合模型的方法来提取焊缝缺陷的特征区域，再根据特征设计了一种焊缝检测和分类算法。

以上方法较为依赖特定的客观条件，而实际上金属制品行业对表面缺陷检测的需求较为复杂，生产出的金属件往往存在着型号大小不相同的问题，并且由于材质原因金属表面缺陷并不固定难以归类，检测方法很难在数据集规模较小且检测对象多变的情况下保持良好的效果。

首先基于经典数字图像处理算法需要调参且算法迭代困难，其次深度学习算法对图像数据集要求较高，最后算法训练及检测时间仍然过长，相关方法都不能满足金属产品表面缺陷检测的要求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于机器学习的金属表面缺陷检测方法，结合卷积网络的特征提取与机器学习中PCA算法及随机森林算法检测表面缺陷，较好地解决了实际缺陷形态各异，而样本较少，且算法迭代困难的问题，能够实现对相关金属产品表面缺陷的快速检测。

为实现上述发明目的，本发明一种基于机器学习的金属表面缺陷检测方法，其特征在于，包括以下步骤：

(1)、特征提取

使用VGG16模型对尺寸为K*K的输入图像进行两层卷积处理，从而使VGG16模型的第一、第二层卷积层分别输出两张尺寸均为K*K*64的特征图；

(2)、特征拼接与处理

将两张64维的特征图进行向量拼接，形成一个128维的特征向量，从而得到K*K个128维特征向量，其中，每个像素点对应一个128维的特征向量；