【技术实现步骤摘要】
一种纹理表面缺陷检测方法及系统
本专利技术属于图像处理领域，涉及一种纹理表面缺陷检测方法及系统，更具体地，涉及一种基于先验引导特征编码对抗网络的纹理表面缺陷检测方法及系统。
技术介绍
在工业制造领域，原材料的品质种类各异，生产制造过程复杂，在产品的表面经常会产生表面缺陷，例如钢材、木材、纺织物、瓷砖与新型显示器件如TFT-LCD、OLED等。由于各类产品的表面往往呈现出纹理特征，表面缺陷指的是与周边纹理结构和模式不同的局部区域，或者具有不规则亮度变化的局部区域。这些纹理表面缺陷会直接降低产品品质，影响用户体验。为提高生产质量，在制造过程中应严格控制所有类型的表面缺陷，故纹理表面缺陷检测是整个制造业的基础和关键。在各类工业产品制造过程中，纹理表面缺陷具有以下特点：不同类型、大尺度变化、低对比度、不规则亮度变化、形状多变，同时，不良品相对于良品的数量是极少的，导致可用的缺陷样本数量较少，这给视觉检测带来了极大的困难。因此，纹理表面缺陷检测算法仍然是工业产品质量控制中的挑战性任务。目前，已有很多算法被提出来解决纹理表面缺陷的检测难题，但这些研究成果只能适应于某一类或几类纹理(如只能检测显示器件，无法适用于木材表面)，只能检测固定类型的纹理缺陷(如只能检测高对比度缺陷，无法检测低面积缺陷)，应用范围存在较大局限。因此，亟需一种基于无监督深度学习的纹理表面缺陷检测算法，能适用于各类纹理，且对不同类型的纹理表面缺陷都有较好的鲁棒性。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专...
【技术保护点】
1.一种纹理表面缺陷检测方法，包括离线训练阶段和在线检测阶段，其特征在于：/n所述离线训练阶段包括：/n(1)先验提取步骤：/n提取输入纹理图像的多通道纹理先验I
【技术特征摘要】 【专利技术属性】
1.一种纹理表面缺陷检测方法，包括离线训练阶段和在线检测阶段，其特征在于：
所述离线训练阶段包括：
(1)先验提取步骤：
提取输入纹理图像的多通道纹理先验Iori，其中，W、H、Cin分别表示输入纹理图像的宽、高、通道数；
(2)纹理重构步骤：
从按通道堆叠的输入纹理图像及步骤(1)提取的纹理先验图像中提取隐空间卷积特征，然后编码为纹理编码特征，再通过转置卷积层将纹理编码特征解码为纹理背景图像，最后输出按通道堆叠的重构后的纹理背景图像及多通道先验图像；
(3)像素级对抗学习步骤：
以真实图像、重构图像及提取图像为输入，以像素级精度来判断每个图像的真假，真实图像视为真，重构图像及提取图像视为假，通过像素级对抗学习机制，进一步提升纹理重构精度；
所述真实图像是由输入纹理图像与对应的真实多通道先验图像按通道堆叠获得，所述重构图像是由重构的纹理背景图像与对应提取的多通道先验图像按通道堆叠获得，所述提取图像是由输入纹理图像与对应提取的多通道先验图像按通道堆叠获得；
所述在线检测阶段包括：
(4)缺陷检测步骤：
对于待检测的输入纹理图像Iori，先按照步骤(1)提取其多通道纹理先验；然后，按照步骤(2)重构出按通道堆叠的重构后的纹理背景图像及多通道先验图像Irec，最后将输入纹理图像Iori与Irec中对应的重构纹理图像Itr作差即可检测出纹理表面缺陷：
Ires＝Iori-Itr
其中，Ires表示得到的残差图像。
2.如权利要求1所述的一种纹理表面缺陷检测方法，其特征在于，步骤(1)包括如下子步骤：
(1-1)特征提取：
通过卷积层提取输入纹理图像的特征；
(1-2)先验预测：
包含多个分支，每个分支均由转置卷积层组成，一个分支对应解码一种先验图像；步骤(1-1)提取的特征经上述分支处理后，输出多种先验图像先验提取公式为：
其中，表示先验提取函数，θP是先验提取的网络参数，Np是先验图像种类总数，n＝1、2、...、Np；
先验预测的损失函数为：
其中，表示求期望值，表示对应的预先计算的先验图像。
3.如权利要求2所述的一种纹理表面缺陷检测方法，其特征在于，Np＝3，即输出3种先验图像，包括：一阶梯度图像、二阶梯度图像及局部二值模式特征图像。
4.如权利要求2或3所述的一种纹理表面缺陷检测方法，其特征在于，步骤(2)包括如下子步骤：
(2-1)卷积特征提取：
以按通道堆叠的输入图像及提取的纹理先验图像为输入，记为从中提取隐空间卷积特征F，C表示通道数量；
(2-2)特征编码：
通过有序空间特征编码与无序纹理特征编码两种方式编码隐空间卷积特征F并融合为纹理编码特征；隐空间卷积特征F是由多个局部特征组成，记为：F＝{f1,...,fN}；
对于无序纹理特征编码，由残差编码模型来进行特征编码，所述残差编码模型学习的目标是一个由K个词袋组成的字典D＝{d1,...,dK}、一组平滑因子s＝{s1,...,sK}、一组对角协方差σ＝{σ1,...,σK}；
局部特征fi与词袋之间的残差计算如下：
rik＝fi-dk
其中，i＝1,...,N，k＝1,...,K；
每个局部特征被分配给每个词袋的软权重计算如下：
由此得到一阶和二阶残差编码特征
残差编码特征ek由一阶和二阶残差编码特征连接得到：
将K个残差编码特征连接起来，即得到无序纹理编码特征e：
e＝{e1,...,eK}
对于有序空间特征编码，采用一个全局均值池化操作，将隐空间卷积特征F池化为一个C维的向量g；
为了将无序纹理编码特征e与有序空间编码特征g融合起来，先分别采用一个全连接层将其维度统一为C1，统一维度后的e和g分别表示为再将两个特征进行外积操作：
ft＝e′g′Τ
其中，然后，采用一个全连接层降低ft的维度得到ft′，同时，采用一个滤波核个数为C2的卷积操作将隐空间卷积特征F的通道数降低为C2，得到最后，将ft与F′按通道进行点乘即可得到最终的纹理编码特征Ft：
Ft＝ft′·F′
(2-3)解码：
记最后输出的按通道堆叠的重构后的纹理背景图像及多通道先验图像为Irec，解码重构的过程表示为：
其中，表示纹理重构函数，θT表示纹理重构模块的网络参数，整个纹理重构的损失函数为：
5.如权利要求4所述的一种纹理表面缺陷检测方法，其特征在于，步骤(3)中对抗学习的损失函数为：
其中，Dij(·)表示像素ij为真的概率，范围为0～1，值越大则像素ij为真的概率越高，反之越低；
整个离线训练过程中的损失为三项损失函数的联合优化：
L＝λ1Lprior+λ2Lrec+λ3Ladv
技术研发人员：杨华，尹周平，宋开友，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42
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。