[发明专利]一种面向智能制造精微结构表面缺陷的视觉检测方法

说明书

本发明公开了一种面向智能制造精微结构表面缺陷的视觉检测方法，所述视觉检测方法基于深度学习和机器学习的融合，所述视觉检测方法包括下述步骤：S1.制作工件表面缺陷训练图像集；S2.搭建基于YOLOv3的深度学习网络模型；S3.设置模型训练参数，完成深度学习缺陷检测模型的训练；S4.将深度学习训练模型的输出图像传送到后一级的机器学习环节，对中间输出图像进行更进一步的特征提取；S5.基于已训练的深度学习和机器学习融合缺陷检测模型，对工件表面缺陷进行检测。本发明能够自动化、高效率的对工件表面进行缺陷检测，从而实现工件表面缺陷的自动识别以及缺陷检测结果的量化处理，当检测物表面不规则或者场景复杂度上升后，能够很好兼顾检测效果和检测效率。

技术领域

本发明属于缺陷检测技术领域，具体涉及一种面向智能制造精微结构表面缺陷的视觉检测方法。

背景技术

随着现代工业的发展，缺陷检测技术被广泛应用于布匹瑕疵检测、工件表面质量检测、航空航天领域等。相对于简单场景下的工件表面缺陷检测，现代工业对缺陷检测技术提出了更为严格的要求。伴随着计算机技术、人工智能等科学技术的出现以及发展，基于机器视觉技术的工件表面缺陷检测技术应运而生，极大程度上改善了工件表面缺陷检测效果并提高了工件表面缺陷检测速率，同时避免了因场景条件、主观判断等因素影响缺陷检测结果的准确性。在机器视觉技术领域中，工件表面缺陷检测技术通过计算机视觉来模拟人类视觉功能，对具体的被测实物进行图像的采集处理计算，最终实现工业视觉实际检测、控制以及相应的场景应用。

但是，目前的大多数机器视觉技术的工件表面缺陷检测技术都是针对表面规则或者检测场景简单的情况，当检测物表面不规则或者场景复杂度上升后，检测效果和检测效率就无法兼顾，严重影响了缺陷检测的适用性。而深度学习方法相比较于机器学习方法，在一些视觉识别任务中取得了巨大的成功，并在精度和鲁棒性方面都优于大多数机器学习方法，但无法满足工业生产中的实时性要求，并且分类不够准确。

发明内容

针对上述背景技术所提出的问题，本发明的目的是：旨在提供一种面向智能制造精微结构表面缺陷的视觉检测方法。

为实现上述技术目的，本发明采用的技术方案如下：

一种面向智能制造精微结构表面缺陷的视觉检测方法，所述视觉检测方法基于深度学习和机器学习的融合，所述视觉检测方法包括下述步骤：

S1.制作工件表面缺陷训练图像集；

在同一场景下对不同空间位姿下的工件表面进行缺陷图像采集，采集样本图像数量为N幅；

通过图像增强技术完成表面缺陷图像的手动标注，记录缺陷图像集为Image，记录缺陷标注图像集合对应为Image_Label；

制作要求如下，在工件表面缺陷图像集制作中，要求表面缺陷面积截取图像的1/3，否则不被视为缺陷图像，在一幅缺陷图像中，缺陷数据要远少于背景数据；

为提高工件表面缺陷检测效果，引入图像数据增强技术，其包括图像翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动以及旋转变换/反射变换，经过工件表面缺陷图像增强处理后，图像中缺陷与背景数据的比值接近1:1；

S2.搭建基于YOLOv3的深度学习网络模型；

以图像分类深度卷积神经网络为基础，对缺陷图像中的每一个像素做出分类，即在像素级别上对图像进行理解；

缺陷检测模型网络包含三个主要组成部分：卷积层、降采样层和上采样层；

工件表面缺陷图像输入格式为[m,n,3]，经过模型卷积层、池化层后图像压缩表示为[w,h,d]的特征向量，其中w为特征向量的跨度，h为特征向量的高度，d为特征向量的深度，相对于原始图像输入数据，该压缩向量对应空间维度较低但是更为紧致，将此压缩向量输入到模型上采样层，重建与模型输入层维度相同的输出向量，即输入图像对应的缺陷类别标签图像；