[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

说明书

本发明涉及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，属于表面缺陷检测技术领域。由原始数据集的训练集构建基准样本集与普通训练样本集，通过基准样本集的特征拟合多元高斯分布，得到该类样本图片上不同位置patch对应的均值与协方差，并将普通训练样本集中每个样本的特征与对应由基准样本集拟合的均值、协方差计算马氏距离，得到全局差异性信息图，最后再与普通训练样本集对应的样本图片表示相融合，得到最终的输入数据，输入到分割网络中输出缺陷分数图，并构建损失函数，以此来训练网络模型。本发明让模型更加关注图片中可能的缺陷区域，学习到更多的关于缺陷模式的信息，进一步提高了缺陷检测模型的精度以及泛化能力。

技术领域

本发明涉及一种表面缺陷检测方法，特别涉及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，属于深度学习、图像处理、表面缺陷检测技术领域。

背景技术

表面缺陷在工业生产过程中是无法避免的、无法预知的，而且还会对产品的性能产生不利影响。因此对于制造商而言，产品表面质量的控制是至关重要的。传统的金属表面检测方式通常都是人工进行的，工人通过肉眼来识别各种各样的缺陷。然而，这种方式有很多缺点，包括精度低、效率低、实时性很差、主观性强等等，并可能严重降低车间的生产能力，增加生产成本。

近年来，随着深度学习的发展，基于深度学习的方法被广泛应用于工业表面缺陷检测中，虽然这些方法有着很高的检测效果，但异常的定位效果还有待提高，定位的效果不一定满足高质量工业生产的要求。如专利CN 115424050 A，公开了一种瓷砖表面缺陷检测及定位方法、系统及存储介质，首先构建特征提取及处理模型，输入正常瓷砖样本图片集构造成的数据集得到图片特征，再利用多重多元高斯聚类构造图片特征的特征点所属的聚类簇，并进行优化再分配，得到每个聚类簇最新的均值和协方差，计算特征点到各自所属聚类簇中心的马氏距离并构建损失函数， 通过多轮训练获得训练好的特征提取及处理模型，最后将待检测图片输入至训练好的特征提取 及处理模型，提取待测图片特征，通过KNN算法判断瓷砖表面是否存在缺陷并定位缺陷位置。但是该技术每次分配聚类簇时都会进行均值和协方差的迭代更新，而且使用KNN算法检索距离最近的特征群，这都会产生大量的计算量成本，同时也会增加检测时间，而一个较好的缺陷检测方法应该具有性能高、计算成本低、耗时低的特点。

因此，如何采用深度学习网络快速且精准定位缺陷是一个非常关键的问题。

发明内容

本发明的目的是克服上述不足，而提供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，对提取的特征拟合多元高斯分布来计算马氏距离作为全局差异性信息，将不同层次的语义信息、位置信息与预处理的图片融合，突出可能的缺陷区域，让模型充分学习以精确检测和定位表面缺陷。

本发明采取的技术方案为：

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，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；