[发明专利]基于共性和差异的工业品表面缺陷检测与定位方法及系统

说明书

本发明公开了一种基于共性和差异的工业品表面缺陷检测与定位方法及系统，U‑Net架构，使用预先训练好的ResNet作为编码器。从差异和共性的角度出发，引入模拟缺陷样本和内存记忆模块，以更有导向性的方式辅助模型学习，从而以端到端的方式完成半监督的表面缺陷检测任务。同时，为了将内存记忆信息与输入图像的高级特征充分融合，本发明还引入了多尺度特征融合模块和新型空间注意力模块，极大地提升了缺陷定位的模型精度。在训练阶段通过人工模拟的方式生成缺陷样本，与存储在内存中的正常样本信息进行多尺度特征融合，完成语义分割任务，并在推理阶段对图像中的缺陷区域进行端到端定位。

技术领域

本发明属于人工智能、深度学习及图像处理技术领域，涉及一种工业产品表面缺陷检测与定位方法及系统，特别涉及一种基于共性和差异的工业产品表面缺陷检测与定位方法及系统。

背景技术

工业产品表面缺陷检测，旨在发现各种工业产品的外观瑕疵，是保障产品质量、维持生产稳定的重要技术之一。以往的缺陷检测需要人工筛查，成本高、效率低，难以覆盖大规模的质检需求。近年来，随着工业成像、计算机视觉和深度学习等领域的新技术层出不穷，基于视觉的工业产品表面缺陷检测技术得到了长足的发展，成为了针对产品外观质检的一种有效的解决方案，引发了学术界和工业界的强烈关注。工业缺陷检测不仅可以用于检测各种工业制品，如金属、纺织物、半导体等，而且具有优秀的检测精度与效率，还能提供简便、安全的操作环境。因此，工业缺陷检测已成为智能制造领域重要的基础研究与技术之一，并被广泛应用于无人质检、智能巡检、生产控制和异常溯源等场景。

工业场景下产品表面缺陷检测对于工业智能化发展至关重要。表面缺陷检测是一个定位图像中异常区域的问题，如划痕和污点。但在实际应用中，由于产品表面缺陷样本匮乏，加之缺陷形式多样，通过传统的监督学习进行缺陷检测比较困难。因此，基于半监督技术的表面缺陷检测方法在实际应用中更具有优势，它在训练阶段只需要正常样本。

大多数基于半监督技术的产品表面缺陷检测模型试图有效地学习正常样本的一般模式。例如基于自动编码器(AE)或生成对抗网络(GAN)的重建模型旨在以最小的误差重建正常图像，并根据重建误差来定位缺陷。但由于CNN强大的泛化能力，缺陷区域也可能在推理阶段被正确重建，这显然违反了重建模型的基本假设。最近，基于嵌入的方法显示出比基于重建的方法更好的缺陷检测性能。其基本原理是测试样本和正常样本之间的特征匹配。虽然这类模型在训练阶段所需时间不多，但在推理阶段需要进行复杂的特征匹配操作，为模型的推理带来了过多的计算成本。此外，这类模型没有使用特定的表面缺陷数据集进行训练，而是直接使用预先训练好的参数进行特征提取和表面缺陷检测，对缺陷检测任务的适应性不够强。

发明内容

为了解决上述技术问题，本发明提出了一种基于共性和差异的工业产品表面缺陷检测与定位方法及系统。

本发明的方法所采用的技术方案是：一种基于共性和差异的工业品表面缺陷检测与定位方法，包括以下步骤：

步骤1：采集工业品外观图像；

步骤2：将采集到的图像输入基于共性和差异的工业产品表面缺陷检测与定位网络中，进行工业品表面缺陷检测与定位；

所述基于共性和差异的工业产品表面缺陷检测与定位网络，包括特征提取模块、缺陷检测模块、多尺度特征融合模块、缺陷定位模块、特征恢复模块；

所述特征提取模块，包括5个卷积组，每个卷积组包含1个或多个由Conv→BN→ReLU组成的卷积层；其中，第1个卷积组仅包含1个卷积层，卷积核大小为7×7，输出通道数为64，步长为2；第2-5个卷积组分别包含3、4、6、3个级联的卷积层，卷积核大小均为3×3，每个卷积组的输出通道数分别为64、128、256、512，第2个卷积组使用步长为2的最大池化，其余3个卷积组均使用步长为2的卷积操作实现下采样；

所述缺陷检测模块，用于实现缺陷区域检测；

所述多尺度特征融合模块，用于实现不同尺度的特征图融合；