[发明专利]一种基于深度学习和全局差异性信息的表面缺陷检测方法

权利要求书

1.一种基于深度学习和全局差异性信息的表面缺陷检测方法，其特征是，包括步骤如下：

S1.对数据集的训练集进行划分：获取工业表面图像划分训练集和测试集，从训练集的正常样本中抽取部分样本作为基准样本集不参与网络的训练，将训练集其余的正常样本与训练集中所有缺陷样本构成最终的普通训练样本集用于网络训练，对所有的样本都进行均值-标准化预处理；

S2. 将基准样本集图像输入预训练的特征提取网络提取融合特征，使用提取的融合特征拟合多元高斯分布；

S3. 将普通训练样本集中的样本输入到与步骤S2相同的特征提取网络中提取融合特征，最终得到融合后的样本特征图，计算样本特征图中（i，j）位置的特征向量与对应由基准样本集提取的特征图在（i，j）位置拟合的多元高斯分布之间的马氏距离，以此来生成该样本对应的全局差异性信息图；

S4.将该全局差异性信息图与对应步骤S3中输入到特征提取网络中的普通训练样本集的样本逐像素点相乘，得到最终携带全局差异性信息的训练数据，对普通训练样本集中的每个样本都进行从步骤S3到本步骤的操作；

S5. 将携带全局差异性信息的训练数据送入到分割网络获得分割结果输出缺陷分数图，并计算损失；

S6.根据损失迭代训练并优化分割网络模型，保存最优分割网络模型参数，用最优模型进行缺陷检测。

2.根据权利要求1所述的一种基于深度学习和全局差异性信息的表面缺陷检测方法，其特征是，步骤S1所述的训练集还包括与普通训练样本集中每个样本对应的真实标签图片。

3.根据权利要求1所述的一种基于深度学习和全局差异性信息的表面缺陷检测方法，其特征是，步骤S2所述的特征提取网络使用预训练的Wide_ResNet50_2前三层作为特征提取网络，提取融合特征的过程为：基准样本集的图像输入到Wide_ResNet50_2特征提取网络中，网络第一层输出结果F₁，第二层输出结果F₂，第三层输出结果F₃，首先对F₂上采样，再与F₁拼接，得到C₁₂，将F₃上采样后再与C₁₂拼接，拼接后的结果经平均池化层进行池化操作得到最终的融合特征。

4.根据权利要求1所述的一种基于深度学习和全局差异性信息的表面缺陷检测方法，其特征是，步骤S2中对由基准样本集提取的特征向量拟合多元高斯分布如下：

，

，

其中μ_ij是所有基准样本生成的特征图在（i，j）位置的特征向量的均值，是所有基准样本生成的特征图在（i，j）处的协方差矩阵，N是基准样本集的样本数量，x^k_ij表示基准样本集中第k个样本提取的特征图上对应（i，j）位置的特征向量，正则项使样本协方差矩阵满秩且可逆。

5. 根据权利要求1所述的一种基于深度学习和全局差异性信息的表面缺陷检测方法，其特征是，步骤S3所述的提取融合特征的过程与步骤S2中相同。