[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

本發明公開了一種基于機器學習的金屬表面缺陷檢測方法，首先將一定數量的缺陷圖像數據集輸入VGG16模型前兩個卷積層得到缺陷圖像的特征圖，對特征圖進行拼接以及相關處理后，采用主成分分析法對轉換成二維特征向量集的特征圖進行降維，得到特征向量集；再將特征向量集中的每一個特征向量與輸入圖像的每個像素點一一對應，得到訓練樣本集，并輸入至隨機森林算法訓練得到檢測模型；最后將待檢測圖像通過預處理后低維成特征向量集，再用訓練好的隨機森林模型進行缺陷檢測，將檢測模型輸出向量轉換為二維矩陣，二維矩陣可視化為圖像，得到最終檢測結果。

技術領域

本發明屬于缺陷檢測技術領域，更為具體地講，涉及一種基于機器學習的金屬表面缺陷檢測方法。

背景技術

表面缺陷是產品的外在缺陷，它與正常的產品表面存在差異，這種差異往往在合適的光照條件下通過人眼就可以分辨出來，所以在傳統的工業生產過程中，人工目測法是檢測表面缺陷最常用的方法。絕大部分的金屬生產廠家仍然使用傳統人工肉眼檢測的方法對金屬進行外觀檢測，但由于人注意力的局限性以及檢測過程中難以避免的接觸，人工檢測已經不符合當前金屬生產的需要，甚至成為了生產力提升的巨大阻礙，如何在線高效檢測金屬的表面缺陷成為所有金屬制造商需要解決的當務之急。而隨著科學技術的進步和新型工業化的進一步推進，金屬的生產檢測過程也可以與工業物聯網、人工智能、計算機視覺等技術概念結合在一起。

國內外金屬表面缺陷檢測應用的案例很多，例如Gayubo、Fernando等人提出了一種用于檢測金屬薄板成形過程中裂紋缺陷的自動檢測系統，該圖像采集系統主要包括一個CCD漸進相機和一個漫射照明系統；為了保證算法檢測精度，方法采用馬爾可夫隨機場模型對采集到的圖像進行復原，再使用采用分水嶺算法檢測缺陷。Pichate Kunakornvong、Pitikhate Sooraksa提出了一種基于機器視覺檢測頭齒輪總成空氣軸承表面(ABS)缺陷的方法，方法給出了成像系統的詳細設計和污染檢測流程，最終利用圖像分割技術和塊矩陣生成技術設計并實現了ABS缺陷檢測系統。楊云、郭建強等人提出了一種通過HOG法提取圖像特征與機器學習中支持向量機算法結合的方法解決工具板定位、識別的問題，首先采集工具板圖像制作數據集，得到正負樣本后使用HOG法提取樣本方向梯度直方圖特征，將特征輸入SVM中訓練得到模型解決工具板的定位及檢測問題。為了有效識別和分類薄壁金屬罐焊縫缺陷，孫軍、李超等人提出了一種基于機器視覺的焊縫缺陷檢測與分類算法。在對焊縫缺陷進行分類的基礎上，使用基于高斯混合模型的方法來提取焊縫缺陷的特征區域，再根據特征設計了一種焊縫檢測和分類算法。

以上方法較為依賴特定的客觀條件，而實際上金屬制品行業對表面缺陷檢測的需求較為復雜，生產出的金屬件往往存在著型號大小不相同的問題，并且由于材質原因金屬表面缺陷并不固定難以歸類，檢測方法很難在數據集規模較小且檢測對象多變的情況下保持良好的效果。

首先基于經典數字圖像處理算法需要調參且算法迭代困難，其次深度學習算法對圖像數據集要求較高，最后算法訓練及檢測時間仍然過長，相關方法都不能滿足金屬產品表面缺陷檢測的要求。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于機器學習的金屬表面缺陷檢測方法，結合卷積網絡的特征提取與機器學習中PCA算法及隨機森林算法檢測表面缺陷，較好地解決了實際缺陷形態各異，而樣本較少，且算法迭代困難的問題，能夠實現對相關金屬產品表面缺陷的快速檢測。

為實現上述發明目的，本發明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；