[發明專利]一種金屬表面缺陷檢測方法、系統、裝置和存儲介質

在審

• 申請號: 202011496247.9
• 申請日: 2020-12-17
• 公開（公告）號: CN112634219A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 李澄非;潘海欣;蔡嘉倫;邱世漢;梁輝杰;董超俊;馮躍;梁淑芬;鄧輔秦
• 申請（專利權）人: 五邑大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/70;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 梁國平

本發明公開了一種金屬表面缺陷檢測方法、系統、裝置及其存儲介質，其特征在于，包括：采集第一圖像；預處理所述第一圖像，得到第二圖像；把第二圖像輸入到經過對抗式網絡訓練后的生成式網絡，得到無缺陷的第三圖像，對抗式網絡用于訓練生成式網絡；圖像后處理，把第二圖像和第三圖像比較得到缺陷區域。采用深度學習中無監督學習的方法，大大減少對數據的依賴，提高檢測的準確率，無需提前知道缺陷的類型，可應用到異常缺陷檢測中。

技術領域

本發明涉及人工智能領域，特別涉及一種金屬表面缺陷檢測方法、系統、裝置和存儲介質。

背景技術

常見的金屬表面缺陷有擦傷，劃痕，砂眼，疵點等，因此產線上須有質量檢測流程。然而人工檢測正確率和效率低下。利用機器檢測存在著與其他工業產品一樣的小樣本和正負樣本不平衡問題，監督學習的相關深度學習網絡又都比較依賴數據，數據越多，分布就越有規律，網絡就會學習得越好，對于缺陷的檢測就越有利，而工業產品往往存在樣本少，正負樣本不平衡的問題，現有的技術就難以解決或者難以達到一個行業高水平的結果。傳統算法的局限性較大，很多依靠技術人員的主觀性，使用不同的算法做結合。針對不同對象還需要不同的算法解決，通用性不高。遇到復雜的場景時，傳統算法還會出現瓶頸，無法達到較好的結果。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一。為此，本發明提出一種一種金屬表面缺陷檢測方法、系統、裝置和存儲介質，所述一種金屬表面缺陷檢測方法、系統、裝置和存儲介質采用深度學習中無監督學習的方法，大大減少對數據的依賴，提高檢測的準確率，無需提前知道缺陷的類型，可應用到異常缺陷檢測中。

第一方面，本發明實施例提出一種具有上述功能的金屬表面缺陷檢測方法。包括：

采集第一圖像，所述第一圖像為金屬表面拍攝圖；

預處理所述第一圖像，得到經過預處理金屬表面拍攝圖的第二圖像；

把所述第二圖像輸入到經過對抗式網絡訓練后的生成式網絡，得到無缺陷的第三圖像，所述對抗式網絡用于訓練所述生成式網絡；

圖像后處理，根據所述第二圖像和所述第三圖像得到缺陷區域。

根據本發明實施例的金屬表面缺陷檢測方法，至少具有如下技術效果:采用深度學習中無監督學習的方法，大大減少對數據的依賴，提高檢測的準確率，無需提前知道缺陷的類型，可應用到異常缺陷檢測中。

根據本發明實施例的金屬表面缺陷檢測方法，所述預處理所述第一圖像包括對所述第一圖像進行亮度調整、灰度調整和圖像裁剪。

根據本發明實施例的金屬表面缺陷檢測方法，所述生成式網絡包括：卷積層一，卷積核的大小設置為4*4，步長為2，卷積核的個數為64，邊緣填充一行一列；卷積層二，卷積核的大小設置為4*4，步長為2，卷積核的個數為64，邊緣填充一行一列；卷積層三，卷積核的大小設置為4*4，步長為2，卷積核的個數為128，邊緣填充一行一列；卷積層四，卷積核的大小設置為4*4，步長為2，卷積核的個數為256，邊緣填充一行一列；卷積層五，卷積核的大小設置為4*4，步長為2，卷積核的個數為512，邊緣填充一行一列；卷積層六，卷積核的大小設置為4*4，步長為2，卷積核的個數為1024，邊緣填充一行一列；卷積層七，卷積核的大小設置為4*4，步長為1，卷積核的個數為4000，邊緣無填充；所述卷積層一、所述卷積層二、所述卷積層三、所述卷積層四、所述卷積層五、所述卷積層六和所述卷積層七依次連接。所述生成式網絡前面7層對圖像卷積進行編碼，后面7層對圖像逆卷積進行解碼。