[发明专利]一种基于元学习的气缸套小样本缺陷检测方法

说明书

本发明公开了一种基于元学习的气缸套小样本缺陷检测方法，将Yolov3网络和元学习方法(MAML)融合起来，从而进行小样本的气缸套检测。首先进行数据收集并进行图像预处理操作，其次选择Yolov3算法作为骨架网络，在训练图像测试集的支持集之前，加入迁移学习模块，使得元测试集中的支持集有较强的特征提取能力，让模型更容易识别特征信息，加快模型收敛。面对未知的气缸套数据集，模型基于元测试集的支持集进行微调，利用查询集进行小样本的检测。在训练和测试中，随机采取N‑wayK‑shot任务分类方法对模型进行训练和测试，最终实现对小样本的检测。

技术领域

本发明涉及目标检测领域及图像处理领域，具体涉及一种基于元学习的气缸套小样本缺陷检测方法。

背景技术

随着计算机工艺技术的提升，利用计算机视觉图像处理技术对工件缺陷的企业检测越来越多。深度学习网框架也越来越成熟，并广泛应用到日常生活的个个方面。但是对于小样本问题，深度网络训练结果不是很理想。

气缸套是内燃机的重要组成部分，其生产工艺与质量直接影响内燃机的性能。在工业生产过程中，随着温度、杂质以及加工时的应力分布不均，批量生产的气缸套可能出现砂眼、裂纹、磨损等不同缺陷。这些缺陷间接影响了气缸套的使用年限。为了提升生产工艺，近几年基于计算机视觉技术的在线检测应用于工业，但其精度受限于算法的性能与鲁棒性。使用深度学习的检测方式相比于传统检测精度要高很多。为了使用深度学习检测气缸套的各种缺陷，需要收集足够的气缸套缺陷数据，但是，目前工厂的生产设备及环境十分优秀，很少会出现有缺陷的产品，很难收集到大量的气缸套缺陷数据。因此，提高小样本检测方法至关重要。

工业表面缺陷是影响产品质量的重要因素之一，缺陷检测指的是通过某种方式将工件的缺陷找到并检测出来。目前对于工件的缺陷检测的方法常见的有：

传统检测：对于工业缺陷，常用的检测有人工检测，即用人眼来查看工件是否含有缺陷，这种检测方式比较简单。除了人工目测方法外，还有涡流检测、X射线检测等。涡流检测ET(Eddy current Testing)技术利用电磁感应原理，将正弦交变电流线圈靠近被测管类工件,通过产生的交变磁场在管壁中产生涡流。如果存在缺陷,就会引起电压或电流的变化，从而判断管类工件是否合格。X射线在1895年由伦琴最先发现，X射线是一种波长在0.0001～10nm的电磁波，是电子在原子中不同的能量级跃迁产生，具有波粒二象性。X射线检测RT(Radiographic Testing)原理是采用一定强度的射线垂直投射待检测物，正常部位和缺陷部位对射线的吸收能力不同，从而判断待检测对象是否合格。

机器学习检测：主要通过人工定性设计特征或图像特定区域的统计特征。特征提取方式要人为介入，传统的特征提取方法如SIFT、SURF等。

深度学习检测：深度学习检测是以一种全新的思想方式，找到隐藏在事物表象的内在规律。最近，随着计算机设备的不断升级以及人工智能的不断进步，使得深度学习用到了生活的方方面面。在工业缺陷检测上也取得了优异的成绩。深度学习目前被分为一阶段神经网络和二阶段神经网络。对于一阶神经网络，它是直接生成目标框进行目标检测。特点是速度快，但检测的精度不高，常见的算法有Yolo系列，SSD等，其中，Yolo系列的算法比较其他一阶段算法在精度上较为优秀。对于二阶神经网络，它是先生成候选框，再从这些生成的候选框中选最终的目标框。二阶段网络的特点是精度高，但由于先生成候选框的原因，检测的速度慢，不太适合工业上的应用。常见的有Faster RCNN、Mask RCNN等。

对于人工目测的方法：效率不高，成本大。人为因素占比最大。

对于涡流检测的方法：检测效率相对较低，另外，仅依靠涡流检测通常难以区分缺陷的种类、形状以及具体位置，检测结果也易于受到材料本身及其他因素的干扰。因此，涡流检测不能有效排除气缸套表面缺陷，对内燃机而言，存在安全隐患，故不适用于气缸套表面缺陷检测。