[發明專利]模型訓練方法、產品表面缺陷檢測方法和存儲介質

有效

• 申請號: 202010122929.7
• 申請日: 2020-02-27
• 公開（公告）號: CN111340785B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 蔡長青
• 申請（專利權）人: 廣州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/08;G01N21/88
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 黎揚鵬

本發明公開了一種模型訓練方法、產品表面缺陷檢測方法和存儲介質。所述訓練方法包括獲取自動編碼網絡，對所述自動編碼網絡進行訓練，獲取生成對抗網絡；所述生成對抗網絡包括生成器網絡和鑒別器網絡，所述鑒別器網絡由所述自動編碼網絡中的編碼器網絡構建得到，對生成對抗網絡進行訓練等步驟。訓練所得的卷積自動編碼網絡?生成對抗網絡聯合網絡，它兼具了卷積自動編碼網絡的無監督訓練優點，以及生成對抗網絡的半監督訓練優點，具有較好的泛化能力，能夠適應產品表面缺陷尤其是鋼鐵產品表面缺陷檢測場合中所面對的訓練樣本少、圖像外觀復雜、組內差異大等情況，取得較好的識別效果。本發明廣泛應用于圖像檢測技術領域。

技術領域

本發明涉及圖像檢測技術領域，尤其是一種模型訓練方法、產品表面缺陷檢測方法和存儲介質。

背景技術

在鋼鐵產品等產品的生產和維護過程中，對其表面缺陷進行檢測分析是一種高效的缺陷檢測方法。但是，由于缺陷的罕見發生和外觀變化，識別表面缺陷一直是一項艱巨的任務。

近年來，深度學習方法在圖像分類中表現出出色的性能，尤其是在有足夠的訓練樣本的情況下。因此，陸續出現了一些識別和檢測產品表面缺陷的現有技術，包括極限學習機(ELM)和支持向量機(SVM)等，再此基礎上引入遺傳算法(GA)、RNAMlet特征校正器、尺度不變特征變換(SIFT)和剪切波變換等以進行改善，其總的原理是對產品表面進行拍攝，將拍攝得到的圖像輸入到經過訓練的深度學習模型中，獲取深度學習模型所輸出的識別結果，判斷產品表面是否存在缺陷或者存在何種類型的缺陷。因此，這種方法的有效性取決于深度學習模型的性能。

但是，產品表面缺陷具有復雜的外觀，這使得拍攝所得的圖片也具有很高的復雜性。圖1所示是鋼鐵產品的表面缺陷，其中a-d部分是接縫，e-h部分是氧化皮，由圖1可以看出，即使是同種表面缺陷，其外觀也存在很大的差異，即產品表面缺陷圖像的特點是具有很大的組內差異，以及圖像背景非常復雜，這使得現有技術的泛化能力不佳，在應用現有技術時只能針對每種外觀來分別構建和訓練模型，極大地提高了使用成本，降低了使用效率。產品表面缺陷圖像的另一特點是難以獲得足夠數量的樣本圖像去對模型進行訓練，并且產品表面缺陷圖像的上下文與多數預訓練模型有很大的不同，這使得遷移學習等針對小數據集場景進行改善的技術難以應用在產品表面缺陷檢測領域。

發明內容

針對上述至少一個技術問題，本發明的目的在于提供一種模型訓練方法、產品表面缺陷檢測方法和存儲介質。

一方面，本發明實施例包括一種產品表面缺陷檢測模型的訓練方法，包括以下步驟：

獲取自動編碼網絡；所述自動編碼網絡包括編碼器網絡和解碼器網絡；

獲取樣本圖像；至少部分所述樣本圖像中包括產品表面缺陷；

使用所述樣本圖像對所述自動編碼網絡進行訓練；

獲取生成對抗網絡；所述生成對抗網絡包括生成器網絡和鑒別器網絡，所述鑒別器網絡由所述自動編碼網絡中的編碼器網絡構建得到；

獲取真實圖像及其標記；所述真實圖像中包括產品表面缺陷，所述標記用于表示相應真實圖像中所包括的產品表面缺陷的種類；

將所述真實圖像或由所述生成器網絡生成的偽圖像輸入到所述鑒別器網絡，獲取所述鑒別器網絡的輸出結果，調整所述鑒別器網絡和/或生成器網絡的參數，直至所述鑒別器網絡的損失函數和/或生成器網絡的損失函數達到目標值；

經過訓練的所述生成對抗網絡用作產品表面缺陷檢測模型。

進一步地，所述調整所述鑒別器網絡和/或生成器網絡的參數這一步驟，具體包括：

由所述解碼器網絡重構樣本圖像；

獲取所述解碼器網絡在重構過程中的誤差；

根據所述誤差調整所述編碼器網絡。