[發(fā)明專利]少樣本工業(yè)圖像缺陷檢測模型構(gòu)建方法、系統(tǒng)及裝置

在審

• 申請?zhí)枺?/td>: 202210475852.0
• 申請日: 2022-04-29
• 公開（公告）號: CN114782391A
• 公開（公告）日: 2022-07-22
• 發(fā)明（設(shè)計(jì)）人: 彭凌西;謝翔;彭紹湖;林煜桐;林煥然
• 申請（專利權(quán)）人: 廣州大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/30;G06K9/62;G06N3/04;G06N3/08;G06V10/774;G06V10/764;G06V10/28;G06V10/82
• 代理公司: 北京八月瓜知識產(chǎn)權(quán)代理有限公司 11543
• 代理人: 秦瑩

本發(fā)明公開了少樣本工業(yè)圖像缺陷檢測模型構(gòu)建方法、系統(tǒng)及裝置，包括：將工業(yè)圖像數(shù)據(jù)集劃分為訓(xùn)練集和測試集；對訓(xùn)練集和測試集進(jìn)行預(yù)處理，增強(qiáng)圖像對比度；對預(yù)處理后的訓(xùn)練集進(jìn)行隨機(jī)豎直翻轉(zhuǎn)和水平翻轉(zhuǎn)，得到訓(xùn)練樣本數(shù)據(jù)；將訓(xùn)練樣本數(shù)據(jù)輸入分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成檢測模型的第一步構(gòu)建；將掩膜圖進(jìn)行校正得到工業(yè)圖像缺陷區(qū)域，完成檢測模型的第二步構(gòu)建；將所述掩膜圖與所述工業(yè)圖像缺陷區(qū)域進(jìn)行拼接，得到一個(gè)雙通道的特征圖，將所述雙通道特征圖輸入決策網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成檢測模型的第三步構(gòu)建；根據(jù)測試集不同缺陷類型的工業(yè)圖像的有無缺陷分類結(jié)果對檢測模型進(jìn)行評價(jià)。本發(fā)明可以提高缺陷圖像的檢測精度和速度，并對構(gòu)建模型評價(jià)。

技術(shù)領(lǐng)域

本發(fā)明涉及少樣本工業(yè)圖像缺陷檢測模型構(gòu)建領(lǐng)域，尤其是涉及一種少樣本工業(yè)圖像缺陷檢測模型構(gòu)建方法、系統(tǒng)及裝置。

背景技術(shù)

目前工業(yè)圖像缺陷檢測的方法可分為兩大類：基于傳統(tǒng)機(jī)器視覺的方法和基于深度學(xué)習(xí)的方法。

傳統(tǒng)機(jī)器視覺的方法主要是理由利用閾值分割、形態(tài)學(xué)處理、小波變換、邊緣檢測等算法來實(shí)現(xiàn)缺陷檢測。在深度學(xué)習(xí)中主要使用卷積神經(jīng)網(wǎng)絡(luò)來對圖像進(jìn)行特征提取，例如利用分類網(wǎng)絡(luò)、分割網(wǎng)絡(luò)、目標(biāo)檢測網(wǎng)絡(luò)等實(shí)現(xiàn)缺陷檢測，常用的模型有：ResNet、YOLO、U-Net等。

基于傳統(tǒng)機(jī)器視覺的方法需要繁多的預(yù)處理步驟，且預(yù)處理的方法有著較強(qiáng)的針對性，其中大量參數(shù)需要人為設(shè)定，僅在單一檢測場景下有著較好的性能表現(xiàn)。因此基于傳統(tǒng)機(jī)器視覺的方法魯棒性較差，同種檢測方法難以應(yīng)用在多種檢測場景。而基于深度學(xué)習(xí)的方法依靠卷積神經(jīng)網(wǎng)絡(luò)優(yōu)秀的特征提取能力，能夠顯著提高檢測的精度，但此方法需要大量的圖像數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)，并且為數(shù)據(jù)制作標(biāo)簽也要耗費(fèi)大量的人力和時(shí)間。在實(shí)際工業(yè)生產(chǎn)中，通常可以獲取大量的無缺陷圖像，而有缺陷圖像獲取成本較高。另一方面，工業(yè)應(yīng)用領(lǐng)域?qū)λ惴ǖ膶?shí)時(shí)性和精度都有著極高的要求，主流的網(wǎng)絡(luò)模型為了實(shí)現(xiàn)高精度都使用了較深的網(wǎng)絡(luò)，這將造成較大的計(jì)算開銷，難以實(shí)現(xiàn)實(shí)時(shí)檢測。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種少樣本工業(yè)圖像缺陷檢測模型構(gòu)建方法、系統(tǒng)及裝置，旨在解決少樣本工業(yè)圖像缺陷檢測模型構(gòu)建。

本發(fā)明提供一種基于圖像分割的少樣本工業(yè)圖像缺陷檢測模型構(gòu)建方法，包括：

S1、獲取工業(yè)圖像數(shù)據(jù)集，將工業(yè)圖像數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

S2、對訓(xùn)練集和測試集進(jìn)行預(yù)處理，增強(qiáng)圖像對比度；

S3、對預(yù)處理后的訓(xùn)練集進(jìn)行隨機(jī)豎直翻轉(zhuǎn)和水平翻轉(zhuǎn)，得到訓(xùn)練樣本數(shù)據(jù)；

S4、將訓(xùn)練樣本數(shù)據(jù)輸入分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成得到掩膜圖，完成檢測模型的第一步構(gòu)建；

S5、將掩膜圖進(jìn)行校正得到工業(yè)圖像缺陷區(qū)域，完成檢測模型的第二步構(gòu)建；

S6、將所述掩膜圖與所述工業(yè)圖像缺陷區(qū)域進(jìn)行拼接，得到一個(gè)雙通道的特征圖，將所述雙通道特征圖輸入決策網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成得到訓(xùn)練集工業(yè)圖像的缺陷概率，根據(jù)缺陷概率判斷訓(xùn)練集工業(yè)圖像是否缺陷，完成檢測模型的第三步構(gòu)建；

S7、將預(yù)處理后的測試集輸入檢測模型得到測試集的有無缺陷分類結(jié)果，根據(jù)相關(guān)評價(jià)指標(biāo)對檢測模型進(jìn)行評價(jià)。

本發(fā)明還提供一種基于圖像分割的少樣本工業(yè)圖像缺陷檢測模型構(gòu)建系統(tǒng)，包括：

劃分模塊：用于獲取工業(yè)圖像數(shù)據(jù)集，將工業(yè)圖像數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

預(yù)處理模塊：用于對訓(xùn)練集和測試集進(jìn)行預(yù)處理，增強(qiáng)圖像對比度；

訓(xùn)練樣本數(shù)據(jù)模塊：用于對預(yù)處理后的訓(xùn)練集進(jìn)行隨機(jī)豎直翻轉(zhuǎn)和水平翻轉(zhuǎn)，得到訓(xùn)練樣本數(shù)據(jù)；

分割網(wǎng)絡(luò)模塊：用于將訓(xùn)練樣本數(shù)據(jù)輸入分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成得到掩膜圖，完成檢測模型的第一步構(gòu)建；