[发明专利]少样本工业图像缺陷检测模型构建方法、系统及装置

说明书

本发明公开了少样本工业图像缺陷检测模型构建方法、系统及装置，包括：将工业图像数据集划分为训练集和测试集；对训练集和测试集进行预处理，增强图像对比度；对预处理后的训练集进行随机竖直翻转和水平翻转，得到训练样本数据；将训练样本数据输入分割网络进行训练，完成检测模型的第一步构建；将掩膜图进行校正得到工业图像缺陷区域，完成检测模型的第二步构建；将所述掩膜图与所述工业图像缺陷区域进行拼接，得到一个双通道的特征图，将所述双通道特征图输入决策网络进行训练，完成检测模型的第三步构建；根据测试集不同缺陷类型的工业图像的有无缺陷分类结果对检测模型进行评价。本发明可以提高缺陷图像的检测精度和速度，并对构建模型评价。

技术领域

本发明涉及少样本工业图像缺陷检测模型构建领域，尤其是涉及一种少样本工业图像缺陷检测模型构建方法、系统及装置。

背景技术

目前工业图像缺陷检测的方法可分为两大类：基于传统机器视觉的方法和基于深度学习的方法。

传统机器视觉的方法主要是理由利用阈值分割、形态学处理、小波变换、边缘检测等算法来实现缺陷检测。在深度学习中主要使用卷积神经网络来对图像进行特征提取，例如利用分类网络、分割网络、目标检测网络等实现缺陷检测，常用的模型有：ResNet、YOLO、U-Net等。

基于传统机器视觉的方法需要繁多的预处理步骤，且预处理的方法有着较强的针对性，其中大量参数需要人为设定，仅在单一检测场景下有着较好的性能表现。因此基于传统机器视觉的方法鲁棒性较差，同种检测方法难以应用在多种检测场景。而基于深度学习的方法依靠卷积神经网络优秀的特征提取能力，能够显著提高检测的精度，但此方法需要大量的图像数据去训练网络，并且为数据制作标签也要耗费大量的人力和时间。在实际工业生产中，通常可以获取大量的无缺陷图像，而有缺陷图像获取成本较高。另一方面，工业应用领域对算法的实时性和精度都有着极高的要求，主流的网络模型为了实现高精度都使用了较深的网络，这将造成较大的计算开销，难以实现实时检测。

发明内容

本发明的目的在于提供一种少样本工业图像缺陷检测模型构建方法、系统及装置，旨在解决少样本工业图像缺陷检测模型构建。

本发明提供一种基于图像分割的少样本工业图像缺陷检测模型构建方法，包括：

S1、获取工业图像数据集，将工业图像数据集划分为训练集和测试集；

S2、对训练集和测试集进行预处理，增强图像对比度；

S3、对预处理后的训练集进行随机竖直翻转和水平翻转，得到训练样本数据；

S4、将训练样本数据输入分割网络进行训练，训练完成得到掩膜图，完成检测模型的第一步构建；

S5、将掩膜图进行校正得到工业图像缺陷区域，完成检测模型的第二步构建；

S6、将所述掩膜图与所述工业图像缺陷区域进行拼接，得到一个双通道的特征图，将所述双通道特征图输入决策网络进行训练，训练完成得到训练集工业图像的缺陷概率，根据缺陷概率判断训练集工业图像是否缺陷，完成检测模型的第三步构建；

S7、将预处理后的测试集输入检测模型得到测试集的有无缺陷分类结果，根据相关评价指标对检测模型进行评价。

本发明还提供一种基于图像分割的少样本工业图像缺陷检测模型构建系统，包括：

划分模块：用于获取工业图像数据集，将工业图像数据集划分为训练集和测试集；

预处理模块：用于对训练集和测试集进行预处理，增强图像对比度；

训练样本数据模块：用于对预处理后的训练集进行随机竖直翻转和水平翻转，得到训练样本数据；

分割网络模块：用于将训练样本数据输入分割网络进行训练，训练完成得到掩膜图，完成检测模型的第一步构建；