[发明专利]基于深度学习和稀疏表示模型的基建表面缺陷检测方法

说明书

本发明公开了基于深度学习和稀疏表示模型的基建表面缺陷检测方法，由以下步骤组成：利用缺陷训练集和正常训练集对卷积神经网络模型进行训练；利用训练后的卷积神经网络模型进行特征提取，并输入到稀疏表示模型中，求解每一张图像关于正常特征字典D_nor和缺陷特征字典的重构误差r_nor，将待测图像特征集f_test与正常特征字典D_nor输入到稀疏表示模型中计算得到稀疏系数α_nor和重构误差t_nor，当t_nor＞δ_nor时，将待测图像特征集f_test与缺陷特征字典D_def输入到稀疏表示模型中计算得到稀疏系数α_def和重构误差t_def；当t_nor＞t_def＞δ_def时，得出待测图像为缺陷样本；本发明利用稀疏表示模型在小样本条件下实现物体表面缺陷高精度检测，能够克服现有的物体表面缺陷检测技术对训练样本依赖程度高的问题。

技术领域

本发明属于缺陷检测技术领域，尤其涉及基于深度学习和稀疏表示模型的基建表面缺陷检测方法。

背景技术

随着我国社会经济的不断发展以及生产制造业的不断进步，不断涌现的各种类型的产品、设备以及设施极大满足了人们的生产与生活的需求，并逐渐成为人们日常生活中不可或缺的一部分。但这些产品、设备以及设施在使用过程中，由于折损老化、人工操作不当以及自然破坏等原因，会不可避免地产生缺陷。例如：电子产品中PCB板材的蚀刻缺陷、工业钢材的表面缺陷、木制材料的表面缺陷以及基础设施的表面缺陷等。这些物体表面缺陷会对产品的性能以及使用安全造成不同程度的影响，严重的还可能会危及到使用者的生命安全。因此，对物体表面缺陷进行有效地检测对提高社会生产生活的安全具有十分重要的实际意义。在目前一些工业和民用建筑的桥梁、隧道以及公路等许多基础设施上经常能够观察到裂缝缺陷的存在，其中一些裂缝缺陷的存在会使得基础设施的使用安全得不到保障。

早期的物体表面缺陷检测主要通过人工目视或者人工操作特定仪器观测并进行人工判读来实现。由于此方法对操作人员的依赖性较大，同时还存在效率低、劳动强度大、易受人工经验以及主观因素影响的缺点。针对人工检测的诸多弊端，研究人员提出了通过图像处理进行物体表面缺陷检测的方法。随着深度学习的引入，涌现出了一批高效、高准确度的缺陷检测方法。此类缺陷检测方法利用神经网络对待检测图像的特征进行高维度建模，自主学习图像中的底层纹理以及高层语义特征，获得图像中更加丰富的表征信息和对图像的多层次描述，从而对图像中是否存在缺陷进行高效、高准确度的检测。

基于深度学习的缺陷检测方法通常采用有监督的学习方法，即需要大量的有标签的训练样本(包括正常样本和缺陷样本)对网络模型进行训练。然而，在很多实际应用场景中，缺陷样本的获取比较困难，往往难以获得足够数量的训练用缺陷样本，导致网络模型欠拟合，进而在检测过程中无法对缺陷样本进行有效检测。同时，由于缺陷样本的多样性，即使采用高效的特征表示方法也无法基于数量有限的缺陷样本实现缺陷特征的有效表示，因此，小样本条件下，基于深度学习的检测方法无法对缺陷(特别是未被训练样本涵盖的新类型缺陷)进行有效检测。

发明内容

本发明的目的是提供基于深度学习和稀疏表示模型的基建表面缺陷检测方法，以解决小样本条件下的物体表面缺陷检测难的问题。

本发明采用以下技术方案：基于深度学习和稀疏表示模型的基建表面缺陷检测方法，由以下步骤组成：

步骤S1：采集基建表面的图像形成图像集，将图像集中存在缺陷的图像归为一类形成缺陷样本集，将图像集中表现正常的图像归为一类形成正常样本集；将缺陷样本集分为缺陷训练集和缺陷验证集，将正常图像集分为正常训练集和正常验证集；

步骤S2：利用缺陷训练集和正常训练集对卷积神经网络模型进行训练；