[发明专利]基于深度学习的工业制品缺陷质检方法、装置及存储介质

说明书

本发明公开了基于深度学习的工业制品缺陷质检方法、装置及存储介质，解决缺陷检测中缺陷部分与无缺陷部分因纹理、颜色相似而难以正确判断的问题。本发明包括神经网络模型预训练；已质检出为无缺陷或有缺陷的制品的图像收集；确定神经网络模型对应的损失函数并训练神经网络模型；利用神经网络模型得到图像的深度特征和缺陷预测结果；通过深度特征与缺陷预测结果进行分类决策；可视化样本缺陷部分并给出决策结果。本发明用于工业制品缺陷质检。

技术领域

一种基于深度学习的工业制品缺陷质检方法，用于工业制品缺陷质检，属于深度学习技术领域，特别涉及由计算机进行的工业制品缺陷质检方法。

背景技术

在工业制造产品的制造过程中，表面缺陷的产生往往是不可避免的，不同产品的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产品表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点等等。表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响。因此，在产品的制造过程中对工业产品的实时缺陷检测是一个具有现实意义的问题。

然而，人工检测是产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于深度学习的人工智能检测方法可以很大程度上克服上述弊端。在目前的传统机器视觉检测方法中，基于人工设计特征的检测方式先利用图像处理技术提取绝缘子的轮廓、纹理，颜色等特征，再将这些特征通过数学模型进行缺陷识别，这些方法受到照片拍摄时的光照情况影响很大，获得的特征较为单一，鲁棒性差，无法应对更为复杂的图片背景。

近年来，深度学习在计算机视觉领域不断取得突破，一次一次的刷新各领域的成绩。目前，已经有大量深度学习的工作在缺陷检测上进行，但大多数缺陷检测仅仅能够提供目标样本有无缺陷的判断，而在进一步判断缺陷位置的步骤中，未能取得较好的效果。在实际应用中，若算法仅仅能够通过所给样本判断有无缺陷而无法提供准确的缺陷位置信息，对于后续的人工核查缺陷以及针对缺陷进行的修缮步骤将是一个巨大的考验：对于大多数工业制品的缺陷而言，由于划痕、色差、污点等造成的缺陷的实际特征与制品正常区域相似度很高，若没有丰富的经验很难快速地凭借肉眼定位缺陷位置，还是会在缺陷的定位步骤上耗费大量的时间和精力。

发明内容

针对上述研究的问题，本发明的目的在于提供一种基于深度学习的工业制品缺陷质检方法，解决现有技术无法提供有缺陷的产品的缺陷位置的问题，即因工业制品缺陷质检中缺陷部分与无缺陷部分因纹理、颜色相似而难以正确判断的问题。

为了达到上述目的，本发明采用如下技术方案：

一种基于深度学习的工业制品缺陷质检方法，包括如下步骤：

步骤1：获取工业质检制品数据集对神经网络模型进行预训练，其中，神经网络模型为SINet的基础分割网络与自定义的分类决策网络融合所得，即为融合模型；

步骤2：获取待检测制品的图像数据集，对无缺陷的待检测制品的图像打上正标签作为正样本，有缺陷的待检测制品的图像打上负标签作为负样本，同时，对负样本中的缺陷区域进行像素级别的标注，其中，图像数据集包括各待检测制品的图像是已质检出为无缺陷或有缺陷的制品；

步骤3：定义预训练后的融合模型的损失函数，并基于获取的工业质检制品数据集训练定义了损失函数的融合模型；

步骤4：将带有标签的图像数据集中的各图像分别输入已训练的定义了损失函数的融合模型，得到深度特征和缺陷预测结果；

步骤5：将深度特征与缺陷预测输入自定义的分类决策网络，得到待检测制品的图像包含的缺陷的概率预测；

步骤6：基于缺陷的预测概率可视化有缺陷的待检测制品的缺陷部分并给出决策结果。