[發明專利]一種基于機器學習的金屬表面缺陷檢測方法

有效

• 申請號: 202010848011.0
• 申請日: 2020-08-21
• 公開（公告）號: CN112070727B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 康波;劉露;李云霞;張之楠;王冰峰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/40;G06K9/62;G06N3/00;G06N3/04;G06N3/08;G06V10/77;G06V10/764
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于機器學習的金屬表面缺陷檢測方法，其特征在于，包括以下步驟：

(1)、特征提取

使用VGG16模型對尺寸為K*K的輸入圖像進行兩層卷積處理，從而使VGG16模型的第一、第二層卷積層分別輸出兩張尺寸均為K*K*64的特征圖；

(2)、特征拼接與處理

將兩張64維的特征圖進行向量拼接，形成一個128維的特征向量，從而得到K*K個128維特征向量，其中，每個像素點對應一個128維的特征向量；

(3)、構建特征向量集

重復步驟(1)、(2)的操作，將N張尺寸均為K*K的輸入圖像都按照步驟(1)、(2)的操作處理，得到M'＝N*K*K個128維特征向量組成的特征向量集；

(4)、利用主成分分析法PCA進行特征向量降維

(4.1)、在特征向量集中隨機選取M＝n*K*K特征向量構成訓練特征向量集，在M個特征向量中，單個向量表示為

(4.2)、將M個特征向量看作一個128*M大小的矩陣，然后計算所有維度的均值

(4.3)、構建矩陣Y；

(4.4)、構建矩陣Y的協方差矩陣Σ；

(4.5)、設置正交矩陣Q，將協方差矩陣Σ轉換為對角矩陣；

Q^TΣQ＝diag(λ₁,λ₂,…,λ₁₂₈),λ₁＞λ₂＞…＞λ₁₂₈

其中，λ₁,λ₂,…,λ₁₂₈為特征值；

(4.6)、選出前p個特征值λ₁,λ₂,…,λ_p所對應的特征向量構成p*128維變換矩陣P；

(4.7)、同理，將特征向量集中M'個特征向量看作一個128*M'大小的矩陣后，能夠構建出矩陣Z；

(4.8)、利用變換矩陣P對矩陣Z進行降維處理；

Z'＝PZ

其中，Z'為p*M'維的矩陣；

(5)、構建隨機森林模型的訓練樣本集

將特征向量集M'＝N*K*K中的每一個特征向量與輸入圖像的每個像素點一一對應，從而將每一個特征向量與對應的像素點作為一個訓練樣本，從而得到一個p*M'訓練樣本集，并作為隨機森林模型的訓練樣本集；

(6)、訓練隨機森林模型

輸入一個具有M'個p維的訓練樣本集，每次隨機有放回的從中抽取M'個樣本構成一個子樣本集，共分成T個子樣本集，每個子樣本集訓練一棵子決策樹模型，在訓練過程中，從p維樣本中隨機抽取m維數據對子決策樹進行訓練，m＜p，從而訓練出T個子決策樹模型，而最終結果又由子決策樹模型投票結果的眾數決定；

(7)、將待檢測圖像按照步驟(1)-(4)的方法進行處理，得到降維后的矩陣，記為S，矩陣S為p*L維的數據矩陣；

(8)、將L個p維的特征向量輸入至隨機森林模型，利用T個子決策樹模型對每個像素點對應的p維特征向量進行投票，如果投票結果超過半數為“1”，則標記該像素點缺陷，如果投票結果超過半數為“0”，則標記該像素點正常；在完成所有像素點的投票后，將隨機森林模型輸出的向量可視化處理，轉換為輸入圖像大小的二維矩陣，在二維矩陣中白色元素代表缺陷，黑色元素代表正常，從而完成待檢測圖像的缺陷檢測。