[发明专利]一种基于深度学习的工件表面缺陷检测和分割方法

说明书

本发明提供一种基于深度学习的工件表面缺陷检测和分割方法，步骤一，采集待检测工件的图像信息；步骤二，构建分割网络，将采集的图像信息作为分割网络的输入；通过所述分割网络对工件表面缺陷进行像素定位，并以逐像素损失训练该分割网络，将每个像素视为一个单独的训练样本；步骤三，执行二进制图像分类，并在分割网络上构建附加网络，步骤四，完成卷积后，决策网络执行全局最大池化和全局平均池化，产生若干输出神经元；步骤五，对分割网络输出图进行全局最大池化和全局平均池化；充分利用了深度学习的潜力，能够实现更高进度的检测，并对分割和决策网络的架构进行了优化，增加感受野的大小并提高网络捕获小细节的能力。

技术领域

本发明涉及工件检测技术领域，具体涉及一种基于深度学习的工件表面缺陷检测和分割方法。

背景技术

现代工业流程中保障产品质量的一个最重要的任务就是检测产品的表面是否达标。产品表面的品控经常是由经过训练的工人手动检测复杂的表面缺陷，这导致整个品控的流程非常耗时且阻碍了产能。

目前深度学习越来越广泛地应用于缺陷检测领域，专利Steel defectclassification with Max-Pooling Convolutional Neural Network(使用最大池化的卷积网络对钢材缺陷分类)提出的方法仅限于浅层网络，因为他们并没有使用ReLU和batchnormalization。

专利OverFeat(Integrated Recognition,Localization and Detection usingConvolutional Networks,使用卷积网络集成缺陷识别和定位)发现训练深层网络需要大量带有标签的数据，但实际工业检测中的数据量较少，为了提高模型的精度，该专利使用ILSVRC2013数据集中的120万个普通视觉图像进行了预训练，并将它作为表面缺陷图像的特征提取器，进而提高模型的精度。但是这种方法无法在目标域上学习网络，因此无法充分利用深度学习的潜力。

专利Design of deep convolutional neural network architectures forautomated feature extraction in industrial inspection(工业检测中自动化特征提取的深度卷积神经网络架构的设计)评估的几种深度学习框架准确度虽然高，但是定位效率不高，因为它从每个图像中提取出几个小块，并分别分类每个单独的图像小块。

专利A compact convolutional neural network for textured surfaceanomaly detection(一种用于纹理表面异常检测的紧致卷积神经网络)使用的是人工合成的数据集，不是真实的数据集，而且需要数百张有缺陷的训练样本，专利Automated defectinspection of LED chip using deep convolutional neural network(基于深卷积神经网络的LED芯片缺陷自动检测)需要数千张有缺陷的训练样本，同时模型捕获小细节的能力较低。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于深度学习的工件表面缺陷检测和分割方法，本发明提出的模型不需要使用其他的数据集进行预训练，直接使用采集到的少量的带有标签的数据进行训练，其直接在目标域上学习网络，充分利用了深度学习的潜力，能够实现更高进度的检测，并对分割和决策网络的架构进行了优化，增加感受野的大小并提高网络捕获小细节的能力。

本发明解决上述技术问题的技术方案如下：一种基于深度学习的工件表面缺陷检测和分割方法，其包括以下步骤：

步骤一，采集待检测工件的图像信息；

步骤二，构建分割网络，将采集的图像信息作为分割网络的输入；通过所述分割网络对工件表面缺陷进行像素定位，并以逐像素损失训练该分割网络，将每个像素视为一个单独的训练样本；