[发明专利]基于无监督学习的缺陷检测系统及方法

说明书

本发明公开了一种基于无监督学习的缺陷检测系统及方法，该缺陷检测系统包括基于PCA滤波卷积的特征提取单元、图像强度分布处理单元和缺陷提取单元，基于PCA滤波卷积的特征提取单元包括级联在一起的至少两层PCA滤波卷积层和位于最后一层PCA滤波卷积层后的自适应特征融合模块；PCA滤波卷积层由一个以上的PCA滤波器构成，前一层PCA滤波卷积层的各PCA滤波器输出分别作为后一层PCA滤波卷积层各PCA滤波器的输入。本发明首先基于PCA滤波卷积，将缺陷和背景区分开，再基于自适应特征融合策略生成缺陷显著性图像，然后利用图像强度分布和距离变换从显著性图像中准确提取出缺陷；无需标签样本训练，大大减少了计算量，且对各个工业领域的广泛适用性。

技术领域

本发明属于缺陷检测技术领域，涉及基于视觉的自动表面缺陷检测技术，尤其涉及利用PCA滤波实现的基于无监督学习的缺陷检测技术。

背景技术

工业质量检验是生产的重要环节，是产品质量、性能和外观的保证。因此，表面缺陷检测在工业生产中起着至关重要的作用。为了提高生产效率，降低人的主观意识对检测结果的影响，提出了基于机器视觉的表面缺陷检测技术，该技术广泛地应用于钢铁、纺织、零件、轨道交通等领域。此外，一些设备的运维工作也可以由视觉缺陷检测技术完成，如电力设备内部异物检测、灼伤点检测等。因此，基于视觉的自动表面缺陷检测技术是目前实现自动化和客观产品质量检测的关键要素。

最近，随着深度卷积神经网络(CNN)的提出和广泛研究，出现了许多应用于表面缺陷检测的深度学习模型。基于深度学习模型的表面缺陷检测方法主要分为监督学习、半监督学习和无监督学习三类，其中最常见的是监督学习和无监督学习。基于监督学习的方法主要由多层感知器构成，并依靠训练数据内部的联系来达到检测缺陷的目的。Y.Huang等开发了一种轻量级的网络结构，金字塔结构的轻量级bottleneck在减少计算量的同时提取图像特征，轻量级解码器由空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)和卷积层组成(Y.Huang,C.Qiu,X.Wang,S.Wang,K.Yuan,A compactconvolutionalneural network for surface defect inspection,Sensors 20(2020)1974)。X.Qin等提出了边界感知显著目标检测网络，其将显著性检测与深度学习相结合，十分注重边界的质量；该模型由一个密集监督的Encoder-Decoder网络和一个残差细化模块组成，它们分别负责显著图像的预测和细化边界；这类方法的检测性能通常都非常良好。另外，基于监督学习的方法还可以将缺陷检测视为目标检测任务，其中大部分采用端到端的CNN网络来提取特征、识别和定位缺陷，一般来说，目标检测网络方法主要分为以Faster R-CNN为代表的两阶段和以YOLO和SSD为代表的一阶段检测。H.A.Di等提出了使用分类优先网络的新对象检测框架对热轧钢进行缺陷检测，通过多组卷积神经网络进行分类的方法，该方法分别针对不同类型的缺陷训练不同的卷积核。然后，将可能包含缺陷的特征图输入到另一个基于YOLO的网络中，以回归缺陷的边界框(H.A.Di,X.A.Ke,Z.B.Peng,Defectdetection of hot rolled steels witha new object detection framework calledclassification priority network,ComputersIndustrial Engineering 128(2019)290–297)。Zhou等提出了探索更快的RCNN用于织物缺陷检测，利用可变形卷积网络代替了Faster-RCNN中主干网络的最后一个阶段，并引入特征金字塔网络和距离IoU损失函数，此方法提高了织物数据集检测的速度和准确性。但是，基于监督学习的模型均需要用大量标签样本数据进行训练才能达到更可靠的检测效果。