[發明專利]一種基于深度學習語義分割的缺陷檢測方法

在審

• 申請號: 201910673139.5
• 申請日: 2019-07-24
• 公開（公告）號: CN110473173A
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 趙青;梅爽;宋瑞超
• 申請（專利權）人: 熵智科技(深圳)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 42102 湖北武漢永嘉專利代理有限公司
• 代理人: 胡琳萍<國際申請>=<國際公布>=<進入

本發明涉及一種基于語義分割的缺陷檢測方法，包括：制作物體表面缺陷訓練圖像集；完成表面缺陷圖像的手動標注；搭建應用于物體表面缺陷檢測的深度學習語義分割缺陷檢測模型；進行深度學習語義分割缺陷檢測模型的訓練；基于已訓練的深度學習語義分割缺陷檢測模型，進行物體表面缺陷檢測；得到對應輸出的具有缺陷種類標簽圖像，獲得缺陷檢測結果。能夠自動化、高效率的對物體表面進行缺陷檢測，從而實現物體表面缺陷的自動識別以及缺陷檢測結果的量化處理。當檢測物表面不規則或者場景復雜度上升后，能夠很好的兼顧檢測效果和檢測效率。

技術領域

本發明涉及一種物體表面缺陷自動檢測方法及系統，具體涉及一種基于深度學習語義分割的物體表面缺陷檢測方法。

背景技術

隨著現代工業的發展，缺陷檢測技術被廣泛應用于布匹瑕疵檢測、工件表面質量檢測、航空航天領域等。相對于簡單場景下的物體表面缺陷檢測，現代工業對缺陷檢測技術提出了更為嚴格的要求。隨著計算機技術、人工智能等科學技術的出現以及發展，基于機器視覺技術的物體表面缺陷檢測技術應用而生，極大程度上改善了物體表面缺陷檢測效果以及提高了物體表面缺陷檢測速率，同時避免了因場景條件、主觀判斷等因素影響缺陷檢測結果的準確性。在機器視覺技術領域中，物體表面缺陷檢測技術通過計算機視覺來模擬人類視覺功能，從具體的被測實物進行圖像的采集處理計算，最終實現工業視覺實際檢測、控制以及相應的場景應用。

但是，目前的大多數機器視覺技術的物體表面缺陷檢測技術都是針對表面規則或者檢測場景簡單的情況，當檢測物表面不規則或者場景復雜度上升后，檢測效果和檢測效率就無法兼顧，嚴重影響了缺陷檢測的適用性。

發明內容

本發明所要解決的技術問題在于針對上述現有技術存在的不足提供一種基于深度學習語義分割的缺陷檢測方法，能夠自動化、高效率的對物體表面進行缺陷檢測，從而實現物體表面缺陷的自動識別以及缺陷檢測結果的量化處理。當檢測物表面不規則或者場景復雜度上升后，能夠很好的兼顧檢測效果和檢測效率。

本發明所采用的技術方案為：

一種基于語義分割的缺陷檢測方法，其特征在于具體包括以下步驟：

S1、制作物體表面缺陷訓練圖像集，在同一場景下對不同空間位姿下的物體表面進行表面缺陷圖像樣本采集；

S2、制作物體表面缺陷圖像集，采用圖像增強技術完成表面缺陷圖像的手動標注；

S3、利用表面缺陷訓練圖像集TrainSet_Defect為輸入，表面缺陷標注訓練圖像集TrainLabelSet_Defect為輸出，搭建應用于物體表面缺陷檢測的深度學習語義分割缺陷檢測模型；

S4、進行深度學習語義分割缺陷檢測模型的訓練；

S5、基于已訓練的深度學習語義分割缺陷檢測模型，進行物體表面缺陷檢測；

得到對應輸出的具有缺陷種類標簽圖像，獲得缺陷檢測結果。

進一步的，步驟S1中，采集樣本圖像數量為N幅，N≥300。

進一步的，步驟S2中，在物體表面缺陷圖像集制作中，要求表面缺陷面積截取圖像的1/3，否則不被視為缺陷圖像；在一幅缺陷圖像中，缺陷數據要遠少于背景數據；經過物體表面缺陷圖像增強處理算法后，圖像中缺陷數據與背景數據的比值接近1:1。

進一步的，步驟S2中圖像增強技術包括圖像翻轉變換、隨機修剪、色彩抖動、平移變換、尺度變換、對比度變換、噪聲擾動以及旋轉變換/反射變換中的至少一種。