[發明專利]一種僅采用良品圖像的產品外觀缺陷檢測方法

在審

• 申請號: 202111569775.7
• 申請日: 2021-12-21
• 公開（公告）號: CN114240908A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 陳垣毅
• 申請（專利權）人: 浙大城市學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 張羽振

本發明涉及一種僅采用良品圖像的產品外觀缺陷檢測方法，包括步驟：收集正常無缺陷產品的圖片樣本，對每張圖片進行多次兩層網格劃分，利用深度神經網絡組成的自編碼器通過向量的方式對圖像數據進行編碼；用具有特征抽取能力的多層次自編碼器對正常圖像樣本進行編碼，所有正常產品的圖片通過兩層網格劃分得到的小圖像分塊，將第一層網格劃分和第二層網格劃分的圖像塊編碼數據分別存儲在編碼數據庫中。本發明的有益效果是：本發明建立分塊圖像的深度支持向量數據描述模型，通過圖片分塊特征抽取，分層編碼，判斷圖片像素點與正常樣本偏離程度，通過自監督學習實現產品外觀圖像缺陷檢測與分割。

技術領域

本發明屬于產品外觀檢測領域，尤其涉及一種僅采用良品圖像的產品外觀缺陷檢測方法。

背景技術

隨著消費市場對于工業制造產品質量要求的提高，工藝品的表面缺陷檢測已經成為制造商越來越重視的環節之一，而傳統依靠人眼分辨產品是否有缺陷的方法已經不能滿足日益嚴苛的檢測需求。此外，人工檢測的主觀性，以及新舊質檢人員的熟練、效率和成本等制約，構成制造企業外觀檢測的嚴峻挑戰。伴隨著硬件性能的不斷提升和人工智能技術的進一步成熟，越來越多的基于機器視覺技術的自動缺陷檢測技術被應用于工業產品外觀檢測領域。

但由于設備及工藝等因素的影響，產品表面的缺陷類型往往五花八門，比如織物產品就包括污點、破損，3C電子產品則會出現劃痕、裂紋、凹凸不平等不同類型缺陷，使得傳統的機器視覺算法很難做到對缺陷特征完整的建模和遷移，加之復用性不大，造成大量人力成本浪費。近年來，深度學習在特征提取和定位上取得了非常好的效果，越來越多的學者和工程人員開始將深度學習算法引入到產品外觀缺陷檢測領域中。然而，基于深度學習的產品外觀缺陷檢測模型部署使用需要包含各種缺陷類型的大規模精確標注數據進行訓練，不僅花費大量人力物力成本，對醫療和奢侈品等行業很難收集包括各種缺陷產品的圖像樣本。

發明內容

本發明的目的是克服現有技術中的不足，提供一種僅采用良品圖像的產品外觀缺陷檢測方法。

這種僅采用良品圖像的產品外觀缺陷檢測方法，具體包括以下步驟：

步驟S1、收集正常無缺陷產品的圖片樣本，對每張圖片進行多次兩層網格劃分，利用深度神經網絡組成的自編碼器通過向量的方式對圖像數據進行編碼，得到的編碼結果是向量，其中對相似的圖片進行編碼，得到的向量也是相似的，這樣有缺陷的圖片編碼得到的向量就會和正常圖片編碼后的向量有較大的差異，就能很好的判斷出缺陷；用Adam優化器對多層次自編碼器進行訓練,得到具有特征抽取能力的多層次自編碼器；

步驟S2、用具有特征抽取能力的多層次自編碼器對正常圖像樣本進行編碼，所有正常產品的圖片通過兩層網格劃分得到的小圖像分塊，將第一層網格劃分和第二層網格劃分的圖像塊編碼數據分別存儲在編碼數據庫中；存儲表示為{f_θ(P_normal)∣P_normal}，其中f_θ表示多層次自編碼器，θ表示多層自編碼器的網絡參數；P_normal表示正常圖像樣本第二層網格劃分后的其中一塊，得到一個大的元素集合；

步驟S3、在進行缺陷產品檢測時，將待檢測圖片進行兩層網格劃分后，將大圖像塊輸入多層次自編碼器進行特征抽取，計算待檢測圖片編碼向量與正常樣本圖像編碼向量距離，得到每個像素點的異常分數；將每個像素點的異常分數與預設閾值進行比較，判斷該像素點是否存在缺陷，實現基于異常像素點的缺陷檢測；判斷待檢測圖片是否為缺陷產品圖片，并在圖片中分割出異常部分。

作為優選，步驟S1具體為：