[發(fā)明專利]基于無監(jiān)督學習的缺陷檢測系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 202111169895.8
• 申請日: 2021-10-08
• 公開（公告）號: CN114155186B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計）人: 鐘羽中;張乃雪;朱磊;趙濤;佃松宜
• 申請（專利權(quán)）人: 四川大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/50;G06T5/20;G06V10/80;G06V10/77;G06V10/46;G06V10/82;G06N3/0464;G06N3/088
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 李蜜

本發(fā)明公開了一種基于無監(jiān)督學習的缺陷檢測系統(tǒng)及方法，該缺陷檢測系統(tǒng)包括基于PCA濾波卷積的特征提取單元、圖像強度分布處理單元和缺陷提取單元，基于PCA濾波卷積的特征提取單元包括級聯(lián)在一起的至少兩層PCA濾波卷積層和位于最后一層PCA濾波卷積層后的自適應(yīng)特征融合模塊；PCA濾波卷積層由一個以上的PCA濾波器構(gòu)成，前一層PCA濾波卷積層的各PCA濾波器輸出分別作為后一層PCA濾波卷積層各PCA濾波器的輸入。本發(fā)明首先基于PCA濾波卷積，將缺陷和背景區(qū)分開，再基于自適應(yīng)特征融合策略生成缺陷顯著性圖像，然后利用圖像強度分布和距離變換從顯著性圖像中準確提取出缺陷；無需標簽樣本訓練，大大減少了計算量，且對各個工業(yè)領(lǐng)域的廣泛適用性。

技術(shù)領(lǐng)域

本發(fā)明屬于缺陷檢測技術(shù)領(lǐng)域，涉及基于視覺的自動表面缺陷檢測技術(shù)，尤其涉及利用PCA濾波實現(xiàn)的基于無監(jiān)督學習的缺陷檢測技術(shù)。

背景技術(shù)

工業(yè)質(zhì)量檢驗是生產(chǎn)的重要環(huán)節(jié)，是產(chǎn)品質(zhì)量、性能和外觀的保證。因此，表面缺陷檢測在工業(yè)生產(chǎn)中起著至關(guān)重要的作用。為了提高生產(chǎn)效率，降低人的主觀意識對檢測結(jié)果的影響，提出了基于機器視覺的表面缺陷檢測技術(shù)，該技術(shù)廣泛地應(yīng)用于鋼鐵、紡織、零件、軌道交通等領(lǐng)域。此外，一些設(shè)備的運維工作也可以由視覺缺陷檢測技術(shù)完成，如電力設(shè)備內(nèi)部異物檢測、灼傷點檢測等。因此，基于視覺的自動表面缺陷檢測技術(shù)是目前實現(xiàn)自動化和客觀產(chǎn)品質(zhì)量檢測的關(guān)鍵要素。

最近，隨著深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)的提出和廣泛研究，出現(xiàn)了許多應(yīng)用于表面缺陷檢測的深度學習模型。基于深度學習模型的表面缺陷檢測方法主要分為監(jiān)督學習、半監(jiān)督學習和無監(jiān)督學習三類，其中最常見的是監(jiān)督學習和無監(jiān)督學習。基于監(jiān)督學習的方法主要由多層感知器構(gòu)成，并依靠訓練數(shù)據(jù)內(nèi)部的聯(lián)系來達到檢測缺陷的目的。Y.Huang等開發(fā)了一種輕量級的網(wǎng)絡(luò)結(jié)構(gòu)，金字塔結(jié)構(gòu)的輕量級bottleneck在減少計算量的同時提取圖像特征，輕量級解碼器由空洞空間卷積池化金字塔(Atrous?Spatial?Pyramid?Pooling,ASPP)和卷積層組成(Y.Huang,C.Qiu,X.Wang,S.Wang,K.Yuan,A?compactconvolutionalneural?network?for?surface?defect?inspection,Sensors?20(2020)1974)。X.Qin等提出了邊界感知顯著目標檢測網(wǎng)絡(luò)，其將顯著性檢測與深度學習相結(jié)合，十分注重邊界的質(zhì)量；該模型由一個密集監(jiān)督的Encoder-Decoder網(wǎng)絡(luò)和一個殘差細化模塊組成，它們分別負責顯著圖像的預(yù)測和細化邊界；這類方法的檢測性能通常都非常良好。另外，基于監(jiān)督學習的方法還可以將缺陷檢測視為目標檢測任務(wù)，其中大部分采用端到端的CNN網(wǎng)絡(luò)來提取特征、識別和定位缺陷，一般來說，目標檢測網(wǎng)絡(luò)方法主要分為以Faster?R-CNN為代表的兩階段和以YOLO和SSD為代表的一階段檢測。H.A.Di等提出了使用分類優(yōu)先網(wǎng)絡(luò)的新對象檢測框架對熱軋鋼進行缺陷檢測，通過多組卷積神經(jīng)網(wǎng)絡(luò)進行分類的方法，該方法分別針對不同類型的缺陷訓練不同的卷積核。然后，將可能包含缺陷的特征圖輸入到另一個基于YOLO的網(wǎng)絡(luò)中，以回歸缺陷的邊界框(H.A.Di,X.A.Ke,Z.B.Peng,Defectdetection?of?hot?rolled?steels?witha?new?object?detection?framework?calledclassification?priority?network,ComputersIndustrial?Engineering?128(2019)290–297)。Zhou等提出了探索更快的RCNN用于織物缺陷檢測，利用可變形卷積網(wǎng)絡(luò)代替了Faster-RCNN中主干網(wǎng)絡(luò)的最后一個階段，并引入特征金字塔網(wǎng)絡(luò)和距離IoU損失函數(shù)，此方法提高了織物數(shù)據(jù)集檢測的速度和準確性。但是，基于監(jiān)督學習的模型均需要用大量標簽樣本數(shù)據(jù)進行訓練才能達到更可靠的檢測效果。