基于孪生网络的缺陷检测方法

发布时间：2020-08-16 21:44

【摘要】：在质量控制中,表面缺陷检测作为一种重要的技术手段保证着生产质量。由于生产需求和生产技术的提升,大多数传统的缺陷检测技术已无法满足生产要求。本文中,提出一种显著性检测和深度学习相结合的产品表面缺陷检测算法。该方法有效率高、检测速度快、通用性强的优点,对于小样本有好的效果,并且有通用快速的优势。本文主要研究目标为产品表面的缺陷检测,传统基于模式的缺陷检测方法周期长,通用性较差。随着深度学习的发展,卷积神经网络开始被应用于检测和分类,由于缺陷样本的稀缺,无法提供大量的数据以供学习训练,并且缺陷产生的未知性导致标签未知。为了解决这些不足,文章使用显著性检测,可以快速将图像中的缺陷检出,但是得到的结果是真实缺陷和伪缺陷的集合,因此需要对真伪缺陷进行分类。由于缺陷的样本稀缺和未知性,本文研究一种相似度判别模型取代传统的分类模型。模型的训练采用对图输入,可以扩大训练集,解决样本稀缺的问题。文章选用孪生卷积网络作为相似度判别模型,卷积神经网络作为其中的映射函数完成图像特征自提取,这种方法能够很好的解决小样本训练的问题,并且弱化了类别标签,无需知道真实缺陷的具体类别。在验证阶段,测试集分为两个部分:涂装和印刷产品表面图像与DAGM2007数据集。将本文的方法与基于模式的方法和基于分类的方法进行比较,测试结果表明了文章方法的检测效果较好。本文提出显著性方法和深度学习相结合的新方法,以涂装产品和印刷产品为测试对象进行研究。该方法思路不仅可以应用到二维图像缺陷检测,可以拓展到三维物体图像的缺陷检测和异常检测的任务。可以作为一种缺陷检测领域的新方法。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TB114.2
【图文】：

缺陷,类型,缺陷检测

（a）（b）（c）（d）图 2.1 缺陷常见的类型际生产过程中，缺陷的类型多种多样，不管是哪种缺陷，对产品的质量，艺都产生了很大的影响。缺陷产生的原因有很多，无法预测缺陷的产生。缺和小概率产生的特性，这些都使得对缺陷的描述变得困难。基于人工的缺陷资源的消耗巨大，寻找一种智能化的缺陷检测方法变得极其重要。让机器找到缺陷，就必须要对缺陷进行描述。传统的方法离不开图像的特分类这一系列的操作，但是实际生产中，缺陷的产生往往是随机性的，每次具体的应用去选择合适特定的缺陷提取方法。这样繁琐的工作往往使研发周长，无法得到一个普适性的算法。情况下，缺陷是集中在图像中的一小部分突出的位置，也就是显著性区域快速准确的提取图像的显著性区域，也就能实现缺陷检测的快速进行。本文，将显著性检测与相似度学习相结合，将缺陷检测分为两个阶段，预检测和去终能得到比较好的效果。真实缺陷与伪缺陷

效果图,产品,效果,伪缺陷

（a）背景纹理对检测的干扰（b）允许范围内的频繁检出图 2.2 产品显著性检测效果1，对于系统伪缺陷与偶然伪缺陷做一个比较。表 2.1 系统伪缺陷与偶然伪缺陷系统伪缺陷偶然伪缺陷信息，轮廓信息，纹理信息条件下，重复大量产生1.偶然产生，具有随机性2.在实际应用允许范围内缺陷来说，它的产生是一种小概率事件，由于生产环境的突变，，或者是某一个环节出现了问题。真实缺陷产生原因的未知性，导征难以被完全界定。而无法获得足够的样本以及类别的未知性使得行分类的方法很难得到广泛应用。但是真实缺陷对产品的质量影响方法检测出并对质量进行控制。显著性检测过程中产生的误检缺陷区域，伪缺陷的误检对找出真扰，所以缺陷去伪是很重要的一步。为了解决小样本和类别未知的相似度学习方法。

视觉检测系统,伪缺陷,类别

图 2.3 视觉检测系统的结构原理图品在传动带上自动送料，通过设备后获取工件表面图像，输入到图像处理采集到的图像进行显著性检测，得到疑似缺陷的位置，利用相似度学习对大量误报的伪缺陷剔除，得到真实缺陷的位置，实现生产线上的质量控制总体方案设计了解决缺陷检测的问题，本文提出一种分两步走的缺陷检测方法，主要分去伪阶段，算法的整体流程如图 2.4。待检测图像疑似缺陷区域伪缺陷样本类别1图像1显著性检测类别i 。。。类别n图像2Cnn Cnn网络结

【参考文献】