[发明专利]一种基于语义分割的电机换向器表面缺陷检测模型

说明书

本发明公开了一种基于语义分割的电机换向器表面缺陷检测模型。模型分为两个阶段，第一阶段为分割网络，用于对表面缺陷进行像素级定位，提供可视化的同时为分类网络的判断提供了可解释性；第二阶段为分类网络，利用分割网络的输出作为输入，辅助分类网络做出精确的判断，输出0～1之间的概率值，概率越大代表存在缺陷的可能性越高。实验表明，本发明提出的检测模型针对小目标和小样本的换向器数据集可以取得较高的检测精度，较少的误判率和漏判率，有良好的泛化能力，能够满足工业自动化生产对于换向器缺陷检测的精度、速度和泛化能力的需求。

技术领域

本发明涉及电机换向器表面缺陷检测领域，更具体地说，特别涉及一种基于语义分割的电机换向器表面缺陷检测模型。

技术背景

随着国家智能制造的兴起，传统效率低下的低端制造模式已经无法满足消费者日益增长的需求。作为智能制造的重要组成部分，产品质量检测的快速性、精确性、智能性决定了智能制造的发展水平。

电机换向器在直、交流电机转动时起换向作用，是电动机电枢的一个重要部件。在工业自动化中，电机应用非常广泛，因此对电机关键部件的质量检测变得非常重要。目前有基于传统机器视觉方法的在线视觉检测技术，其具有较高的检测精度。然而传统的机器视觉检测方法首先需要对图像进行预处理，然后人工提取特征，最后训练分类器对缺陷进行分类。其需要技术人员花费大量的时间利用图像算法提取特征，项目周期长，并且特征提取的好坏直接影响精度的高低，鲁棒性差，远远不能满足工业自动化生产对于缺陷检测的精度、速度和泛化能力的需求。

与传统的机器视觉方法相比，深度学习可以省略数据的预处理，直接从原始数据中学习抽象的、本质的特征，从而代替人工提取特征。近年来被广泛地应用于缺陷检测领域。但是现有的利用深度学习进行缺陷检测的模型不能很好地解决工业中的小样本问题，经典的深度学习模型都需要大量的训练样本才能获得较高的精度，而在工业领域中工厂为了不泄露机密，不对外公开数据，导致数据很难获得，小样本是一个无法避免的问题。其次，随着高性能图像采集设备的普及，高质量图像获取的门槛得以降低，从而带来了高分辨率图像中检测小目标的问题，即缺陷只占整张高分辨率图片的一小部分，现有的深度学习模型中也无法很好地解决这个问题。

为此，我们提出一种基于语义分割的电机换向器表面缺陷检测模型来解决上述问题。

发明内容

为了解决现有的深度学习模型无法很好地解决小样本的问题以及在高分辨率的图像中检测小目标的问题，本发明提出了一种基于语义分割的电机换向器表面缺陷检测模型。

一种基于语义分割的电机换向器表面缺陷检测模型，其特征在于，包括如下步骤：

步骤1、数据预处理：将数据集均分为三份，任选其中两份作为训练集，另外一份作为测试集，重复三次，执行三重交叉验证；

步骤2、构建分割网络：将训练数据输入到分割网络，利用像素分割标签对分割网络进行训练，输出语义分割结果；

步骤3、构建分类网络：将分割网络的结果输入到分类网络，先将训练好的分割网络的权重参数冻结，然后再根据打好的标签训练分类网络，有缺陷的样本标签为1，无缺陷的样本标签为0；

步骤4、将测试数据输入到训练好的分割网络和分类网络中，输出0～1之间的概率值，概率越大代表存在缺陷的可能性越高。选用0.9作为判定正负样本的阈值，大于等于0.9的为有缺陷的样本(正样本)，小于0.9的为无缺陷的样本(负样本)。

进一步，所述的一种基于语义分割的电机换向器表面缺陷检测模型，其特征在于，所述的步骤2构建分割网络包括如下步骤：

步骤21、分割网络中采用了编码器和解码器结构，将高级语义信息与低级语义信息相融合，可以有效地提高小目标的分割精度；