[发明专利]一种表面缺陷检测任务的正常样本无损生成方法

说明书

本发明公开了一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤：快速定位未标注NG样本的缺陷区域；使用目标检测算法检测NG样本中的缺陷；融合精筛的检测框；提取缺陷区域，将缺陷回归框的长和宽放大；搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；替换有缺陷区域的前景，生成无损的正常样本。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种表面缺陷检测任务的正常样本无损生成方法。

背景技术

表面缺陷检测在工业生产过程中起着非常重要的作用。传统的工业生产中，表面缺陷由工人目视检查，这是主观的、低效的和不准确的。由于各厂家制造工艺的差别，以及人眼观察的低效性和不准确性，无法完全保证百分之百的生产良率。

为了进一步提高生产质量，降低重复的密集劳动，越来越多的机器视觉技术正被应用于工业领域，助力企业增产降本。近几年，以卷积神经网络为核心的深度学习算法飞速发展，使得机器视觉技术不再是传统的图像处理，只能区分OK和NG样本，而是可以准确高效的区分缺陷的类别和定位缺陷出现的位置，甚至可以检测出缺陷的面积大小。

虽然深度学习应用于工业检测领域是成功的，但是仍然有一些还未解决的技术难点：

1、深度学习技术对数据量的依赖是庞大的，而当前工业数据的采集有一定局限性，因为涉及到数据保密、存储容量、大量数据的存储会降低生产效率等原因的限制，现有的工业生产线上图像的采集，大部分都是只保存NG的样本，这就造成了OK样本的大量缺失。

2、深度学习如果只学习含有缺陷的NG样本常常会使得模型的优化方向与真实的数据分布是有偏差的，这也是一种模型过拟合的现象，导致对OK样本的辨识力降低，因此需要适量的OK样本来验证模型的过杀指标和纠正模型的偏向性。

3、为了保证深度学习模型的准确性与鲁棒性，算法的测试评估显得尤为重要。尤其在表面缺陷检测任务中，普遍存在正负样本严重不平衡问题，含有缺陷的样本往往比不含缺陷的正常样本少的多；如果只用NG样本测试算法模型的效果，显然由于测试场景下和真实场景下数据分布的极度不一致性，导致算法测试的结果不再真实可信，因此OK样本在算法效果的评估中具有重要意义。

鉴于以上所述，实有必要提供一种新型的表面缺陷检测任务的正常样本无损生成方法以克服上述缺陷。

发明内容

本发明的目的是提供一种表面缺陷检测任务的正常样本无损生成方法，能够在NG样本中实现缺陷的准确定位，可生成无损的正常样本，改善正负样本不平衡的比例，并且将大量的正常样本引入测试集，使得测试集的数据分布接近工厂生产的真实数据分布，从而算法评估的结果会更加合理可信。

为了实现上述目的，本发明提供一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤：

S1：快速定位未标注NG样本的缺陷区域；

S2：使用目标检测算法检测NG样本中的缺陷；

S3：融合精筛的检测框；

S4：提取缺陷区域，将缺陷回归框的长和宽放大；

S5：搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；

S6：替换有缺陷区域的前景，生成无损的正常样本。

优选的，未标注的NG样本中含有缺陷，通过如下步骤完成缺陷的快速定位：

S11：使用批量真实的OK样本，用均值叠加的方法生成作OK样本的模板图；

S12：将未标注的NG样本与OK样本模板使用帧差法得到差异图；