System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及缺陷检测,具体地,涉及一种基于特征提取和稀疏表示的表面缺陷检测方法及系统。
技术介绍
1、在工业生产和制造过程中,缺陷的检测和识别是至关重要的。缺陷的存在可能会导致产品质量下降、出现安全隐患以及生产线停机等问题,给企业带来巨大的损失。因此,高效准确地检测和定位缺陷对于保证产品质量和生产效率至关重要,同时,缺陷分类还可以帮助企业快速找到缺陷产生的问题并及时解决,从而保证了企业的利益。
2、近年来,基于图像处理和分析的缺陷检测技术取得了显著的进展。这些技术利用数字图像采集设备获取产品表面的图像数据,并通过图像处理和分析算法进行缺陷检测。然而,传统的基于图像处理的缺陷检测方法在实际应用中仍然存在一些挑战和局限性。
3、目前较多的缺陷检测模型依赖于目标检测技术,特别是基于深度学习的方法,如yolo(you only look once)和faster r-cnn(region-based convolutional neuralnetworks),这些技术虽然可以高效地检测和定位缺陷,但却需要使用大量的标注数据来训练网络模型;在场景多变的工业应用中,由于人工标注数据的成本较高,且工业生产良品率高、缺陷样本少等原因,导致这类技术并不能广泛的应用。
4、因此,如何充分利用深度神经网络提取的有效特征,进行快速且精准的检测、定位和分类缺陷是一个亟待解决的问题。
5、在公开号为cn115880209a的中国专利文献中,公开了一种适用于钢板的表面缺陷检测系统,包括:数据集模块:获取钢板表
6、在公开号为cn116228754a的中国专利文献中,公开了一种基于深度学习和全局差异性信息的表面缺陷检测方法,包括:由原始数据集的训练集构建基准样本集与普通训练样本集,通过基准样本集的特征拟合多元高斯分布,得到该类样本图片上不同位置patch对应的均值与协方差,并将普通训练样本集中每个样本的特征与对应由基准样本集拟合的均值、协方差计算马氏距离,得到全局差异性信息图,最后再与普通训练样本集对应的样本图片表示相融合,得到最终的输入数据,输入到分割网络中输出缺陷分数图,并构建损失函数,以此来训练网络模型。但该专利文献的不足之处在于,其所有的特征都是由多元高斯分布生成的假设,并不确定是否成立,且只能对缺陷进行检测和定位,无法进行缺陷分类任务,因此同样无法解决上述问题。
技术实现思路
1、针对现有技术中的缺陷,本专利技术的目的是提供一种基于特征提取和稀疏表示的表面缺陷检测方法及系统。
2、根据本专利技术提供的一种基于特征提取和稀疏表示的表面缺陷检测方法,包括:
3、步骤s1:获取目标表面的图像数据并进行预处理;
4、步骤s2:使用深度卷积神经网络对图像数据进行特征提取,得到特征图;
5、步骤s3:训练图像数据,对提取的特征进行提炼和优化,学习得到字典;
6、步骤s4:根据字典,对图像数据的特征进行稀疏编码,并计算缺陷分数及重建误差;
7、步骤s5:根据重建误差得到缺陷分数图,对缺陷分数图进行后处理,得到缺陷检测结果。
8、优选的,所述步骤s1包括以下子步骤:
9、步骤s1.1:使用数字图像采集设备获取目标表面的图像数据,根据预设的参数进行图像校正;
10、步骤s1.2:对校正后的图像数据进行预处理,所述预处理包括放缩、裁剪以及正则化,得到卷积神经网络可处理的图像数据。
11、优选的,所述步骤s2包括以下子步骤:
12、步骤s2.1:使用深度卷积神经网络提取图像数据的多尺度特征,将图像数据输入预训练的卷积神经网络中,并将卷积神经网络中多个卷积块的输出作为特征图;
13、步骤s2.2:将不同卷积块输出的特征图融合;所述融合包括:使用插值的方式,将分辨率小于预设值的特征图缩放到与分辨率最大的特征图相等;将多个卷积块输出的特征图按通道的维度进行拼接,得到最终的特征图。
14、优选的,所述步骤s3包括以下子步骤:
15、步骤s3.1:将所述特征图按照通道维度进行提取作为特征向量;
16、步骤s3.2:使用稀疏表示中的字典学习方法对特征进行优化和提炼,生成字典。
17、优选的,所述步骤s4包括以下子步骤:
18、步骤s4.1:字典对特征向量进行稀疏表示和重建,得到特征向量的稀疏编码向量,并计算重建误差;
19、步骤s4.2:将重建误差按照特征向量在特征图中的相对位置排列,组成重建误差图;
20、步骤s4.3:根据稀疏编码向量和字典学习过程中得到的变换矩阵,得到缺陷分数;将缺陷分数按照特征向量在特征图中的相对位置排列,组成缺陷分数图。
21、优选的,所述步骤s5包括以下子步骤:
22、步骤s5.1:将缺陷分数图中的最大值作为待测图像数据的缺陷分数;设定阈值τ,当缺陷分数小于该阈值τ时,判定待测图像中无缺陷,输出检测结果;当缺陷分数大于该阈值τ时,判定待测图像中有缺陷,执行步骤s5.2;
23、步骤s5.2:将缺陷分数图缩放到与待测图像相同的分辨率,二值分割后得到缺陷区域;
24、步骤s5.3:根据步骤s5.2得到的缺陷区域,计算所有缺陷区域的像素坐标,得到缺陷在待测图像中的位置;根据接收到的待测图像覆盖区域在整个产品中的位置,计算得到缺陷在整个产品中的位置;
25、步骤s5.4:根据步骤s5.2得到的缺陷区域,统计缺陷区域的像素个数;结合待测图像及其覆盖产品范围的尺寸比例,计算得到缺陷的大小;
26、步骤s5.5:根据步骤s5.2得到的缺陷区域和设定的阈值τ,若存在缺陷区域,且当该区域中存在大于阈值τ的缺陷分数时,则缺陷分数最大的类别为该区域的缺陷类别;若缺陷区域的所有缺陷分数均低于阈值τ,则判定为未知类别缺陷。
27、根据本专利技术提供的一种基于特征提取和稀疏表示的表面缺陷检测系统,包括:
28、模块m1:获取目标表面的图像数据并进行预处理;
29、模块m2:使用深度卷积神经网络对图像数据进行特征提取,得到特征图;
30、模块m3:训练图像数据,对提取的特征进行提炼和优化,学习得到字典;
31、模块m4:根据字典,对图像数据的特征进行稀疏编码,并计算缺陷分数及重建误差;
32、模块m5:根据重建误差本文档来自技高网...
【技术保护点】
1.一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤S1包括以下子步骤:
3.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤S2包括以下子步骤:
4.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤S3包括以下子步骤:
5.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤S4包括以下子步骤:
6.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤S5包括以下子步骤:
7.一种基于特征提取和稀疏表示的表面缺陷检测系统,其特征在于,包括:
8.根据权利要求7所述的一种基于特征提取和稀疏表示的表面缺陷检测系统,其特征在于,所述模块M1包括以下子模块:
9.根据权利要求7所述的一种基于特征提取和稀疏表示的表面缺陷检测系统,其特征在于,所述
10.根据权利要求7所述的一种基于特征提取和稀疏表示的表面缺陷检测系统,其特征在于,所述模块M3包括以下子模块:
...【技术特征摘要】
1.一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤s1包括以下子步骤:
3.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤s2包括以下子步骤:
4.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤s3包括以下子步骤:
5.根据权利要求1所述的一种基于特征提取和稀疏表示的表面缺陷检测方法,其特征在于,所述步骤s4包括以下子步骤:
...【专利技术属性】
技术研发人员:周常胜,赵旭,
申请(专利权)人:上海交通大学内蒙古研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。