【技术实现步骤摘要】
本专利技术涉及表面缺陷检测，尤其涉及一种基于深度学习的表面缺陷检测方法。
技术介绍
1、表面缺陷指的是产品表面某些区域出现物理性质异常的情况，例如飞机表面裂痕、电子元器件冷焊、钢轨表面的擦伤、纺织物的油渍等。这些表面缺陷不仅影响外观，还会对其产品性能造成不良影响，甚至可能导致严重的安全事故。在流水线上，表面缺陷检测往往依赖于人工筛查，对缺陷的评判主要依靠检测人员的经验，因此其可靠性和效率较低。尤其在大规模生产时，人工容易疲劳，无法满足大规模的质检需求。近年来，随着工业成像、图像处理和深度学习等领域的技术不断进步，基于视觉的工业缺陷检测技术取得了巨大的发展，已成为表面检测问题的一种高效方案，可提高检测的准确性和速度。
2、传统机器视觉的方法主要有两种，一种是基于图像处理的方法，另一种是基于统计特征的机器学习方法。基于图像处理的方法，主要是依据检测对象特有的形状、颜色、边缘、纹理以及频域等特征进行检测。如一些缺陷常常在图像中的像素值会有突变，尤其像金属零件等简单背景的产品，边缘检测可以简单有效的把缺陷识别出来，对于具有复杂背景或者低信噪比的对象，我们可以从频域的角度进行识别。基于统计特征的机器学习方法，主要是先对图像进行统计学的特征提取后，输入机器学习模型中进行学习，以实现缺陷检测。
3、基于传统机器视觉的方法通常需要根据检测对象的特点，人工设计特征描述。但在实际的工业场景中，缺陷常常难以用人工设计的特征进行准确描述，且常常由于缺陷的细小差异而导致识别错误。因此，基于传统机器视觉的方法的准确性较低，且对于工业
4、深度学习是机器学习的一个子领域，在近几年中得到了飞速发展，其已经被广泛应用于工业视觉检测领域。相较于传统的机器视觉方法，其具有的优势是：(1)基于深度学习方法的主干网络具有强大的特征提取与融合的能力，可以适用于复杂的检测任务；(2)基于深度学习方法不需要对输入的图片进行繁杂的预处理以及人工设计对应的特征提取器，其整个过程主要是基于数据驱动的；(3)基于深度学习方法的输出部分，其设计是简单并且有效的。对于传统方法而言，人工设计的特征提取方法后还需要设计对应的特征融合与鉴别方法，而基于深度学习方法的输出是直接的，且可以端对端进行训练。
5、但在实际工业场景下，仍然存在着较多的问题影响了模型的性能。目前工业缺陷检测模型存在的问题有：(1)模型检测性能差。在实际工业生产中，存在的缺陷尺度变化大且缺陷特征信息一般较少，易受复杂纹理以及背景信息干扰，从而导致模型对特征提取与融合效果不佳，使模型检测性能差。并且现存卷积神经网络的感受野受限，提取特征时信息损失较多，若加深网络，会使模型变得复杂，导致检测的实时性难以保证。(2)模型训练数据难获取。在实际工业生产中，缺陷发生的概率极低，因此获取缺陷样本的成本是较大的。与此同时，缺陷往往是随机产生的，缺陷的种类、大小以及形式是未知的。因此，在数据收集过程中，往往难以收集到全部种类的缺陷，并且缺陷的标注成本也是较高的。同时，不同种类的缺陷发生概率是不一的，因此收集到的数据往往是类别不均衡的。(3)模型的泛化性差。在实际工业生产中，打光环境以及装置本身存在的干扰等外在因素都会在一定程度上影响采集图像的质量，进而影响到模型的检测结果。故模型在不同外在环境下往往泛化性较差。并且现存的目标检测模型多是根据生活场景或特定场景下的检测进行设计，这与实际工业场景的环境差异比较大，故模型的整体泛化性会偏弱。
6、因此，有必要提供一种基于深度学习的表面缺陷检测方法解决上述技术问题。
技术实现思路
1、本专利技术提供一种基于深度学习的表面缺陷检测技术，用于解决现有工业缺陷检测模型性能差、数据难获取、泛化性差的问题。
2、为解决上述技术问题，本专利技术提供的一种基于深度学习的表面缺陷检测方法，包括以下步骤：
3、一种基于深度学习的表面缺陷检测方法，
4、步骤1：数据集的建立；
5、步骤1.1：对数据集图片尺寸的设置；
6、步骤1.2：对输入的图片进行低水平的数据增强；
7、步骤1.3：判断缺陷种类和数量，选择网络模型；对数据进行处理后分析数据的种类和数量是否满足有缺陷监督所需；
8、步骤1.4：如果条件满足有监督缺陷检测的要求，则进行步骤2，利用有监督模型进行检测；若缺陷种类满足无缺陷监督检测的要求，则进行步骤3，利用无监督模型进行检测；
9、步骤2：模型建立与改进；
10、步骤3：基于条件扩散重建的无监督缺陷检测算法；
11、步骤4：设计表面缺陷检测软硬件系统，验证系统性能。
12、优选的，在步骤1.4中，无缺陷类型占优数据：总体数据集数量在4000张以上，有缺陷数据占比在30％以下，此时选取90％的无缺陷数据作为训练集，其余的无缺陷和有缺陷数据作为测试集；构成无监督缺陷检测模型的数据集；
13、有缺陷类型占优数据：总体数据集数量在4000张以上，有缺陷数据占比在30％以上，此时选取60％的有缺陷数据作为训练集，其余40％的有缺陷数据作为测试集；构成有监督缺陷检测模型的数据集；
14、数量不足数据：总体数据集数量在4000张以下时，所采用的训练模型预测准确率明显下降，不宜采用。
15、优选的，步骤2包括：
16、步骤2.1：建立整体网络结构；
17、步骤2.2：对c3模块进行改进得到c2f模块；
18、步骤2.3：引入无需降维的跨空间学习的高效多尺度注意力机制(efficientmulti-scale attention，ema)；
19、步骤2.4：引入改进的sppf模块；
20、步骤2.5：采用统一的注意力机制的目标检测头(dyhead)。
21、优选的，步骤3包括：
22、步骤3.1：条件扩散模型的构建；
23、步骤3.2：采用unet结构进行设计后向去噪过程中用神经网络模型预测噪声的网络结构；
24、步骤3.3：进行基于零值域分解的多次重构；
25、步骤3.4：重建结果对比。
26、与相关技术相比较，本专利技术提供的一种基于深度学习的表面缺陷检测方法具有如下有益效果：
27、(a)本专利技术将改进的c2f模块应用于yolov8主干特征提取网络，加快模型收敛的同时又减少了该模块的参数量，还增加了丰富的梯度流信息，提升了模型的整体性能；
28、(b)本专利技术引入无需降维的跨空间学习的高效多尺度注意力机制(ema)，通过自学习空间上的信息分布，增强网络特征提取的能力；
29、(c)本专利技术采用统一的注意力机制的目标检测头(dyhead)通过尺度感知、空间感知和任务感知显著提高了检测头的表征能力，大幅提高本文档来自技高网...
【技术保护点】
1.一种基于深度学习的表面缺陷检测方法，其特征在于，
2.根据权利要求1所述的一种基于深度学习的表面缺陷检测方法，其特征在于，在步骤1.4中，无缺陷类型占优数据：总体数据集数量在4000张以上，有缺陷数据占比在30％以下，此时选取90％的无缺陷数据作为训练集，其余的无缺陷和有缺陷数据作为测试集；构成无监督缺陷检测模型的数据集；
3.根据权利要求1所述的一种基于深度学习的表面缺陷检测方法，其特征在于，步骤2包括：
4.根据权利要求1所述的一种基于深度学习的表面缺陷检测方法，其特征在于，步骤3包括：
【技术特征摘要】
1.一种基于深度学习的表面缺陷检测方法，其特征在于，
2.根据权利要求1所述的一种基于深度学习的表面缺陷检测方法，其特征在于，在步骤1.4中，无缺陷类型占优数据：总体数据集数量在4000张以上，有缺陷数据占比在30％以下，此时选取90％的无缺陷数据作为训练...
【专利技术属性】
技术研发人员：李家贵，李金权，刘建军，杨树明，张国锋，王淼，曹臻，王逸豪，杨小艳，
申请(专利权)人：陕西电子芯业时代科技有限公司，
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。