[發明專利]圖像缺陷檢測模型的訓練、測試方法、裝置及存儲介質

在審

• 申請號: 201910933293.1
• 申請日: 2019-09-29
• 公開（公告）號: CN110796637A
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 徐明亮;高志敏;劉啟東;張晨民;閆杰;李丙濤;栗芳
• 申請（專利權）人: 鄭州金惠計算機系統工程有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 41134 鄭州銘晟知識產權代理事務所(特殊普通合伙)
• 代理人: 張鵬

本發明涉及工件表面缺陷檢測的技術領域，具體涉及一種圖像缺陷檢測模型訓練、測試方法、裝置及存儲介質。該訓練方法包括將某一高分辨率圖像分解為由多個正常訓練圖像塊構成的正常訓練圖像塊集合；在正常訓練圖像塊集合中添加隨機噪聲和人工合成缺陷得到人工缺陷訓練圖像塊集合；將人工缺陷訓練圖像塊集合中的各個圖像塊輸入生成器，生成器對隨機噪聲和人工合成缺陷進行修復得到由修復訓練圖像塊組成的修復訓練圖像塊集合；將修復訓練圖像塊集合中的修復訓練圖像塊和正常訓練圖像塊集合中的正常訓練圖像塊分別輸入判別器，判別器判斷所接收的圖像塊是否屬于正常訓練圖像塊，并輸出屬于正常訓練圖像塊的無缺陷概率矩陣；根據無缺陷概率矩陣訓練SVM分類器。

技術領域

本發明涉及工件表面缺陷檢測的技術領域，具體涉及一種圖像缺陷檢測模型的訓練、測試方法、裝置及存儲介質。

背景技術

在工業制造生產過程中，產品表面缺陷的產生不可避免，不同產品表面的缺陷類型也各不相同。表面缺陷不僅會對產品的外觀和舒適度帶來影響，也會不同程度的影響使用性能,所以及時檢測發現產品的表面缺陷并加以控制對工業制造非常重要。人工對產品表面缺陷進行檢測存在抽檢率、準確率低和效率低、實時性差，以及勞動強度大等缺點，而基于機器視覺的缺陷檢測方法可以極大的改善以上缺點,在現代工業中的研究和應用越來越廣發。

傳統的基于視覺的工業產品表面缺陷檢測方法主要包含四類，分別是統計法、結構法、濾波法和模型法。統計法采用例如圖像直方圖、灰度共生矩陣和局部二值模式(LBP)等低級特征從統計學角度分析產品表面的紋理；結構法采用圖像邊緣和形態學等特征表達圖像并檢測缺陷，但結構法只適合于產品表面紋理規則的圖像，不適用于結構變化大、隨機性較強的紋理圖像；濾波法采用傅里葉變換、小波變換、Gabor濾波器等將圖像紋理轉到變換域，結合空域和頻域提取特征并分類缺陷圖像，但該類方法計算量大；模型法采用如Markov隨機場和分形模型等描述圖像的紋理特征，但模型參數估計困難且計算量大。

近年來深度學習發展迅速,使用深度卷積神經網絡等模型,可以對圖像自動學習到高級的特征表達，提高視覺識別任務的性能，因此被很多研究者用于產品表面缺陷檢測任務。文獻《An Unsupervised-Learning-Based Approach for Automated DefectInspection on Textured Surfaces》(Mei S,Yang H,Yin Z,IEEE Transactions onInstrumentation and Measurement,2018)設計了一種多尺度高斯金字塔的卷積自編碼器(Convolutional Autoencoder,CAE)網絡對正常樣本進行重建，對圖像的重建殘差圖進行閾值分割來檢測缺陷。但該方法僅在具有重復性紋理的圖像取得較好的效果，而且該方法對高斯金字塔的不同尺度分別學習CAE模型，計算復雜度高，難以在對實時性要求高的工業檢測實際場景中應用。

發明人在實踐中，發現上述現有技術存在以下缺陷：

根據上述現有技術結合在工業實際中的情況，發現當數據源圖像為超高清攝像頭采集的超高分辨率圖像時，例如大小為8192x 9020的氣缸套圖像，任意形狀的缺陷在圖像中所占的像素比例較小，上述方法的缺陷檢測模型對圖像進行在線缺陷檢測時的檢測精度和效率較低。

發明內容

為了解決上述技術問題，本發明提供了一種圖像缺陷檢測模型的訓練、測試方法、裝置及存儲介質，所采用的技術方案具體如下：

第一方面，本發明實施例提供了一種圖像缺陷檢測模型的訓練方法，該訓練方法包括以下步驟：

將某一高分辨率圖像分解為由多個正常訓練圖像塊構成的正常訓練圖像塊集合；

在所述正常訓練圖像塊集合中添加隨機噪聲和人工合成缺陷得到人工缺陷訓練圖像塊集合；