[發明專利]一種基于人工缺陷仿真的弱監督機器視覺檢測方法及系統

有效

• 申請號: 202010638414.2
• 申請日: 2020-07-06
• 公開（公告）號: CN111982910B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 張憲民;李常勝;黃沿江;李海
• 申請（專利權）人: 華南理工大學
• 主分類號: G01N21/88
• 分類號: G01N21/88;G01N21/94;G06V20/40;G06V10/774;G06V10/80
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種基于人工缺陷仿真的弱監督機器視覺檢測方法，其特征在于，包括下述步驟：

針對劃痕、毛絲、淺色臟污和深色臟污類型的缺陷，設定控制缺陷結構參數，創建仿真缺陷數據庫；

所述劃痕和毛絲類型的缺陷由線狀類缺陷仿真方法生成；

所述線狀類缺陷仿真方法包括下述步驟：

采用隨機游走算法，生成線狀缺陷的整體骨架；

將骨架轉化成連通區域，對線狀區域進行膨脹處理；

將所生成的線狀區域按照高斯分布進行灰度值填充；

將填充后的區域與無缺陷背景的圖片進行圖像融合，最終得到人工仿真的線狀類缺陷圖片；

所述淺色臟污和深色臟污類型的缺陷由塊狀類缺陷仿真方法生成；

所述塊狀類缺陷仿真方法包括整體呈團狀的缺陷的仿真，以及簇狀類缺陷的仿真；

所述整體呈團狀的缺陷的仿真包括下述步驟：

生成一條隨機的不規則的閉合曲線，將所述閉合曲線圍成的閉合區域作為塊狀缺陷的生成區域，對閉合區域進行高斯分布灰度填充或者紋理填充，與無缺陷背景進行圖像融合；

所述簇狀類的缺陷仿真包括下述步驟：

利用分形疊加后的二維柏林噪聲產生隨機簇狀紋理圖片，對圖片進行閾值處理得到隨機簇狀紋理區域，與不規則閉合曲線形成的區域進行區域布爾交運算，得到仿真缺陷簇狀區域，對簇狀區域進行紋理填充后，與無缺陷背景進行圖像融合；

采用深度學習的分類和目標檢測算法對仿真缺陷數據進行訓練，優化模型參數；

對收集到的實際缺陷樣本進行數據擴增；

通過仿真缺陷數據訓練得到的深度學習模型進行實際缺陷檢測過程的遷移應用，完成實際缺陷檢測過程的分類和識別。

2.根據權利要求1所述的基于人工缺陷仿真的弱監督機器視覺檢測方法，其特征在于，所述生成線狀缺陷的整體骨架，具體計算公式為：

θ_i＝θ_i-1+sgn·Δθ+sgn·Δφ；

x_i＝x_i-1+s·cosθ_i；

y_i＝y_i-1+s·sinθ_i；

其中，(x_i,y_i)為骨架在第i個點上的位置，θ_i表示骨架在第i個點時的方向角，Δθ為限定角度變化區間內的隨機分布，Δφ決定是否存在角度突變，sgn為符號函數，其值為1或-1，決定角度變化的增減方向，s為骨架長度變化的步長；

所述對線狀區域進行膨脹處理，具體步驟包括：

將骨架分切分成小段，對每個小段進行不同的膨脹尺度，得到不同寬度的線狀區域，對膨脹后的區域進行區域開運算處理；

所述將所生成的線狀區域按照高斯分布進行灰度值填充，具體步驟包括：

利用區域腐蝕和布爾差運算將膨脹后的線狀區域分為兩部分：靠近中心骨架區域和邊緣區域，將這兩部分區域按照不同的高斯分布進行灰度值填充；

所述將填充后的區域與無缺陷背景的圖片進行圖像融合，具體計算公式為：

Val_fusion_(i,j)＝(1-α)·Val_background_(i,j)+α·Val_defect_(i,j)

其中，Val_background_(i,j)、Val_defect_(i,j)和Val_fusion_(i,j)分別為無缺陷背景圖像、已填充灰度線狀缺陷區域以及融合后缺陷圖像在行列坐標為(i,j)處的灰度值，α為融合系數，其取值區間在0到1之間。