一种金属表面缺陷定位及分类方法技术

本发明专利技术公开一种金属表面缺陷定位及分类方法，涉及图像检测技术领域；采集金属缺陷图像数据，利用级联网络获取金属缺陷图像数据的预测掩模，根据预测掩模裁剪感兴趣区域获得缺陷部分的最小矩形图像，利用分类神经网络获得金属表面缺陷分类。金属表面缺陷分类。金属表面缺陷分类。

【技术实现步骤摘要】
一种金属表面缺陷定位及分类方法


[0001]本专利技术公开一种方法，涉及图像检测
，具体地说是一种金属表面缺陷定位及分类方法。

技术介绍

[0002]金属表面缺陷自动检测在工业产品质量控制中非常重要。现有方法是基于图像处理或机器学习技术，但这些方法只能在特定的检测条件下检测出缺陷，比如缺陷轮廓明显，对比度强，噪声低。

技术实现思路

[0003]本专利技术针对现有技术的问题，提供一种金属表面缺陷定位及分类方法，用于金属缺陷自动检测，从真实工业环境中获取图像，并准确地对缺陷进行定位和分类。
[0004]本专利技术提出的具体方案是：
[0005]一种金属表面缺陷定位及分类方法，采集金属缺陷图像数据，利用级联网络获取金属缺陷图像数据的预测掩模，根据预测掩模裁剪感兴趣区域获得缺陷部分的最小矩形图像，利用分类神经网络获得金属表面缺陷分类。
[0006]优选地，所述的一种金属表面缺陷定位及分类方法中至少两个具有相同结构的自编码网络组成级联网络。
[0007]优选地，所述的一种金属表面缺陷定位及分类方法中自编码网络包括编码器网络和解码器网络，编码器网络将图像转换成多维特征图像进行特征提取和表示，并获得特征映射，解码器网络通过合并所有中间层学习到的特征映射的上下文信息微调像素级标签。
[0008]优选地，所述的一种金属表面缺陷定位及分类方法中对采集的金属缺陷图像数据进行数据扩增。
[0009]优选地，所述的一种金属表面缺陷定位及分类方法中对采集的金属缺陷图像数据转变为灰度图像数据，并进行尺寸归一化处理，再输入级联网络。
[0010]一种金属表面缺陷定位及分类系统，包括采集模块、级联网络处理模块、剪裁模块及分类模块，
[0011]采集模块采集金属缺陷图像数据，级联网络处理模块利用级联网络获取金属缺陷图像数据的预测掩模，剪裁模块根据预测掩模裁剪感兴趣区域获得缺陷部分的最小矩形图像，分类模块利用分类神经网络获得金属表面缺陷分类。
[0012]优选地，所述的一种金属表面缺陷定位及分类系统中级联网络处理模块利用至少两个具有相同结构的自编码网络组成级联网络。
[0013]优选地，所述的一种金属表面缺陷定位及分类系统中级联网络处理模块利用的自编码网络包括编码器网络和解码器网络，编码器网络将图像转换成多维特征图像进行特征提取和表示，并获得特征映射，解码器网络通过合并所有中间层学习到的特征映射的上下文信息微调像素级标签。
[0014]优选地，所述的一种金属表面缺陷定位及分类系统中还包括数据扩增模块，数据扩增模块对采集的金属缺陷图像数据进行数据扩增。
[0015]优选地，所述的一种金属表面缺陷定位及分类系统中还包括预处理模块，预处理模块对采集的金属缺陷图像数据转变为灰度图像数据，并进行尺寸归一化处理，再输入级联网络。
[0016]本专利技术的有益之处是：
[0017]本专利技术提供一种金属表面缺陷定位及分类方法，用于金属缺陷自动检测，从真实工业环境中获取图像，不受环境影响，并准确地对缺陷进行定位和分类。级联网络将输入缺陷图像转换为基于语义分割的像素级预测掩码，利用深度学习网络进行分类。
附图说明
[0018]图1是本专利技术方法中数据集建立流程示意图；
[0019]图2是本专利技术方法流程示意图；
[0020]图3是本专利技术中自编码网络结构示意图。
具体实施方式
[0021]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
[0022]本专利技术提供一种金属表面缺陷定位及分类方法，采集金属缺陷图像数据，利用级联网络获取金属缺陷图像数据的预测掩模，根据预测掩模裁剪感兴趣区域获得缺陷部分的最小矩形图像，利用分类神经网络获得金属表面缺陷分类。
[0023]本专利技术方法用于金属缺陷自动检测，从真实工业环境中获取图像，不受环境影响，并准确地对缺陷进行定位和分类。本专利技术方法将输入的原始图像转化为预测掩模，利用缺陷区域检测提取特征并裁剪缺陷区域作为下一网络的输入，最后这些缺陷区域通过CNN得到分类结果。
[0024]具体应用时，在本专利技术的一些实施例中，由于金属表面缺陷是均匀结构中的局部异常，因此缺陷与背景结构具有不同的特征表示。利用自编码网络学习缺陷数据的表示方法，可以找出金属表面缺陷的共同特征。因此，将金属表面缺陷检测问题转化为语义分割问题。可以将输入的缺陷图像转换为像素级的预测掩模。具体过程为：
[0025]采集金属缺陷图像数据，对数据进行灰度化及归一化处理，利用级联网络获取金属缺陷图像数据的预测掩模，其中级联网络利用自编码网络级联而成，一个自编码网络包括一个编码器网络和一个解码器网络。编码器网络是一个转换单元，通过它将输入图像转换成多维特征图像进行特征提取和表示，所获得的特征映射具有丰富的语义信息。解码器网络通过合并所有中间层学习到的特征映射的上下文信息来微调像素级标签。此外，解码器网络可以使用上采样操作将最终输出恢复到与输入图像相同的大小。例如利用两个具有相同结构的自编码网络进行级联，完成图像分割任务。第一网络的预测掩码作为第二网络的输入，在第二网络中对像素标签进行进一步的微调，后一种网络可以增强前一种网络的预测结果。
[0026]上述自编码网络中上层为编码器网络，包括多个卷积层，每个层包含f
×
f卷积运
算和RELU非线性运算以及s
×
s最大池化操作。为了减少语义信息的丢失，将每个最大池化层后的特征数量增加一倍。下层为解码器网络，应用上采样操作，恢复特征映射。同时，常规卷积操作存在稳定的感受野，在生成预测掩模时，很难纵观全局并检测到所有缺陷，且真实的工业检测环境，缺陷的大小和形状是多种多样的。针对这种情况，本专利技术利用空洞卷积替换常规卷积，以增加网络的感受野，检测更大的缺陷。
[0027]当获得所有可能缺陷的语义分割结果后，基于此，根据缺陷轮廓从最终图像中提取最小包围矩形区域。并利用仿射变换将随机区域调整为正向，作为分类神经网络的输入，得到缺陷的分类。
[0028]在上述实施例的基础上，因金属缺陷采集数据有限，引入生成对抗网络进行数据扩增，达到避免减少数据样本的严重不均衡的目的。主要数据扩增方式包括随机旋转、平移、剪切，和弹性转换等。
[0029]本专利技术还提供一种金属表面缺陷定位及分类系统，包括采集模块、级联网络处理模块、剪裁模块及分类模块，
[0030]采集模块采集金属缺陷图像数据，级联网络处理模块利用级联网络获取金属缺陷图像数据的预测掩模，剪裁模块根据预测掩模裁剪感兴趣区域获得缺陷部分的最小矩形图像，分类模块利用分类神经网络获得金属表面缺陷分类。
[0031]本专利技术系统同样用于金属缺陷自动检测，从真实工业环境中获取图像，不受环境影响，并准确地对缺陷进行定位和分类。本专利技术方法将输入的原始图像转化为预测掩模，利用缺陷区域检测提取特征并裁剪缺陷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金属表面缺陷定位及分类方法，其特征是采集金属缺陷图像数据，利用级联网络获取金属缺陷图像数据的预测掩模，根据预测掩模裁剪感兴趣区域获得缺陷部分的最小矩形图像，利用分类神经网络获得金属表面缺陷分类。2.根据权利要求1所述的一种金属表面缺陷定位及分类方法，其特征是至少两个具有相同结构的自编码网络组成级联网络。3.根据权利要求2所述的一种金属表面缺陷定位及分类方法，其特征是自编码网络包括编码器网络和解码器网络，编码器网络将图像转换成多维特征图像进行特征提取和表示，并获得特征映射，解码器网络通过合并所有中间层学习到的特征映射的上下文信息微调像素级标签。4.根据权利要求1
‑
3任一所述的一种金属表面缺陷定位及分类方法，其特征是对采集的金属缺陷图像数据进行数据扩增。5.根据权利要求4所述的一种金属表面缺陷定位及分类方法，其特征是对采集的金属缺陷图像数据转变为灰度图像数据，并进行尺寸归一化处理，再输入级联网络。6.一种金属表面缺陷定位及分类系统，其特征是包括采集模块、级联网络处理模块、剪裁模块及分类模块，采集模块...

【专利技术属性】
技术研发人员：李雪，李锐，王建华，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：