[发明专利]基于无监督学习的皮革缺陷自动检测方法及装置

说明书

本发明实施例提供一种基于无监督学习的皮革缺陷自动检测方法及装置，属于皮革检测领域。该方法包括：构建不同层级高斯金字塔的卷积去噪自编码器作为网络模型；采用无缺陷的皮革样本图像对网络模型进行训练；将待检测皮革图像输入至训练好的网络模型中生成重构图像；根据重构图像和待检测皮革图像生成重构残差，将多个通道生成的重构残差进行结合得到残差图；判断待检测皮革图像是否具有缺陷，生成皮革的缺陷检测结果。本发明方法能提高缺陷检查任务的鲁棒性和准确性；只采用无缺陷的皮革样本进行训练，可处理在没有任何人工干预的情况下在生产中没有发生过的缺陷。

技术领域

本发明涉及皮革检测领域，具体地涉及一种基于无监督学习的皮革缺陷自动检测方法、一种基于无监督学习的皮革缺陷自动检测装置、一种电子设备及一种计算机可读存储介质。

背景技术

皮革从动物生长至鞣制成品过程中，由于动物成长环境等个体差异，造成皮革性质的千差万别，其中不可避免地存在各种瑕疵，如虫孔、绝痕、皱禪、划伤和颜色不均等。

目前传统的表面缺陷检查和分级的过程是由人类检查人员进行的，存在着低效、不稳定、智能化程度低。

近年来，随着机器视觉检测的发展，机器视觉检测技术也应用到了皮革表面缺陷检测领域中。例如：基于纹理结构的算法、基于统计方法、基于滤波器、基于聚类方法、基于传统分类器等的皮革表面缺陷检测方法，上述方法中的检测精度都在90％以上。但由于上述方法都是在非常小的本地数据集上评估，则缺陷样本集代表性不足。

并且皮革工艺产品主要来源于牛、鳄鱼、蜥蜴、山羊、羊、水牛和黄貂皮。每种动物皮革的纹理都不一样，每种动物的生活环境也不一样。现有技术中通过收集和分析了一套小牛生皮革缺陷，将缺陷按照形状分为7种大类，规则形状有24种缺陷，不规则类型的缺陷17种。即便是同样一种类型的缺陷，其形状、尺寸和颜色差异都很大。在一张不同对比的图像中可能同时存在10多个缺陷。

因此上述算法无论是测试样本集的数量还是分类识别的缺陷种类，都与工业实际应用中皮革表面缺陷有很大差距。除此之外，也没有考虑皮革缺陷的动态变化问题，其稳定性和高效性还需要在工业环境中的真实世界变化的皮革样品上进行多种缺陷类型的分类性能进行评估。

对此在现有技术中，利用深度学习模型来解决皮革表面缺陷检测中的分类问题，例如：使用AlexNet深度学习模型，对巨蜥蜴、鳄鱼、绵羊、山羊和牛五种动物的皮革图像进行特征提取，采用SVM对这五类皮革图像按照动物种类进行了分类，并同手工特征提取进行了比较，手工提取的特征如下：颜色特征(即平均值、标准偏差、偏斜度和库尔德度)和纹理特征(即对比度、能量、相关性、均匀性和熵)，该方法能够更好地捕捉皮革的特征。

又例如：采用Mask R-CNN深度学习模型，对小牛皮的蜱咬类型缺陷进行识别，测试数据集上获得了70.35％的缺陷分割精度，算法的鲁棒性和高效性都有很大提升空间。

从上述检测方法中可以看出，现有的皮革表面缺陷检测还存在以下问题：

由于收集足够的缺陷例子可能是非常困难或甚至不现实的，并且部分特定皮革缺陷的发生是偶然的和不可预测性，缺乏关于缺陷的先验信息，导致缺陷检测的准确度较低。

发明内容

本发明实施例的目的是提供一种基于无监督学习的皮革缺陷自动检测方法及装置，以解决上述现有皮革缺陷检测方法的准确度较低的问题。

为了实现上述目的，本发明实施例提供一种基于无监督学习的皮革缺陷自动检测方法，该方法包括：

构建不同层级高斯金字塔的卷积去噪自编码器作为网络模型；

采用无缺陷的皮革样本图像对网络模型进行训练；

将待检测皮革图像输入至训练好的网络模型中生成重构图像；

根据重构图像和待检测皮革图像生成重构残差；