一种金属喷漆表面缺陷检测方法技术

本发明专利技术涉及一种金属喷漆表面缺陷检测方法，包括：获取包含有缺陷图像和无缺陷图像的金属喷漆表面图像数据集；采用二分类方式对金属喷漆表面图像数据集进行初选，得到带有标注的正样本、无标注的正样本和负样本；获取金属喷漆表面包含未知类别缺陷的图像，结合二分类初选得到的样本，通过对深度学习神经网络进行训练测试，得到缺陷检测模型；将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。与现有技术相比，本发明专利技术结合Blob块检测和深度学习神经网络，能准确、快速地进行前期样本筛选和标注，同时利用未知类别缺陷图像训练神经网络，使得本发明专利技术能够对金属喷漆表面缺陷进行快速、准确、全面的检测。

【技术实现步骤摘要】
一种金属喷漆表面缺陷检测方法
本专利技术涉及金属喷漆表面检测
，尤其是涉及一种金属喷漆表面缺陷检测方法。
技术介绍
为保证金属喷漆产品的外观质量，需要对金属喷漆表面进行缺陷检测，以筛选掉表面发生喷漆缺陷的产品。目前常用的检测方法主要分为人工检测和机器图像识别两种方式，其中，人工检测存在检测效率低、检测准确度低的问题；机器图像识别则是通过深度学习，以对拍摄的金属喷漆表面自动进行缺陷检测，这种方式需要利用正负样本进行训练和测试，而正负样本则通常采用人工筛选和标注进行区分，这无疑增加了前期工作量，一旦出现大批量的样本，很有可能出现人工标注错误或者人工漏标注的问题，导致后续检测准确率降低，此外，现有的图像识别检测方式只能根据前期训练的成果进行固定缺陷的检测识别，对于未知类型缺陷，则无法检测识别出，即无法全面可靠地进行金属喷漆表面缺陷检测，若要实现全面检测的目的，则必须增加输出类别数目，以提升分类性能，使得整个深度学习网络结构更加复杂，不利于快速、准确地输出检测结果。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种金属喷漆表面缺陷检测方法，针对现有检测的不准确性和深度学习只能检测先验种类缺陷的问题，能够实现快速、全面、准确检测金属喷漆表面缺陷的目的。本专利技术的目的可以通过以下技术方案来实现：一种金属喷漆表面缺陷检测方法，包括以下步骤：S1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；S2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；S3、获取金属喷漆表面包含未知类别缺陷的图像，结合带有标注的正样本、无标注的正样本和负样本，通过对深度学习神经网络进行训练测试，得到训练好的缺陷检测模型；S4、将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。进一步地，所述金属喷漆表面图像数据集中有缺陷图像的缺陷具体包括流淌、颗粒、翻边和气泡。进一步地，所述步骤S2具体包括以下步骤：S21、对金属喷漆表面图像数据集进行预处理，得到预处理后的H张金属喷漆表面图像；S22、采用Blob块检测方式，对预处理后的每张金属喷漆表面图像依次进行块检测，以初选出K张有缺陷图像和S张无缺陷图像，其中，K+S＝H；S23、通过LabelMe图像标注工具，随机对N张有缺陷图像中的缺陷进行标注，得到带有标注的正样本，剩余(K-N)张有缺陷图像即为无标注的正样本，S张无缺陷图像即为负样本。进一步地，所述步骤S21中预处理过程具体为：S211、通过高斯滤波去除金属喷漆表面图像的噪声；S212、对金属喷漆表面图像进行直方图均衡化处理，以均匀图像亮度；S213、依次对金属喷漆表面图像进行阈值分割和腐蚀形态学操作，使图像中的缺陷更加明显。进一步地，所述步骤S22中进行块检测的具体过程为：S221、采用Blob块检测方式，将金属喷漆表面图像中的缺陷部分圈出来，每张金属喷漆表面图像对应有一张缺陷初选列表；S222、将检测出缺陷的Blob圈存入该金属喷漆表面图像对应的缺陷初选列表中，通过缺陷初选列表的长度来判断金属喷漆表面图像为有缺陷图像或无缺陷图像：若缺陷初选列表的长度大于0，即存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为有缺陷图像；若缺陷初选列表的长度为0，即不存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为无缺陷图像。进一步地，所述步骤S23中带有标注的正样本具体为json格式文件，该文件信息包含标注的标签名称，标注点的坐标值以及标注所用的形状，所述标签名称包括流淌、颗粒、翻边和气泡。进一步地，所述步骤S3具体包括以下步骤：S31、将带有标记的正样本、负样本和未知类别缺陷的图像共同构成训练集，将无标记的正样本、负样本和未知类别缺陷的图像共同构成测试集；S32、将训练集输入深度学习神经网络模型，当深度学习神经网络模型loss值训练到一定期望值且达到收敛时，结束训练；S33、将测试集输入收敛后的深度学习神经网络模型，输出测试集的缺陷分类结果及准确率；S34、将测试集的缺陷分类准确率与预设的阈值进行比较，若缺陷分类准确率小于预设阈值，则调整深度学习神经网络模型的参数，返回步骤S32，直至缺陷分类准确率大于或等于预设阈值，则得到训练好的缺陷检测模型。进一步地，所述深度学习神经网络模型具体为VGG16卷积神经网络，包括输入层、隐藏层和输出层，所述输入层用于输入金属喷漆表面图像；所述隐藏层包括13个卷积层和3个全连接层，层与层之间设有最大池化层；所述输出层为softmax层。进一步地，所述输出层的分类结果为5个：分别为流淌、颗粒、翻边、气泡以及未知缺陷。进一步地，所述卷积层的卷积核大小为3×3，所述最大池化层的核的大小为2×2。与现有技术相比，本专利技术具有以下优点：一、本专利技术采用Blob块检测方式对金属喷漆表面图像进行有缺陷和无缺陷的初筛选，并通过LabelMe图像标注工具对有缺陷图像进行标注，能够减少样本数据的前期筛选工作量和后期标注工作量，即使出现大批量的样本，也能避免发生标注错误或者漏标注的问题，从而保证后续深度学习神经网络输入数据的可靠性，有利于提升深度学习神经网络的缺陷检测准确性。二、本专利技术在训练测试深度学习神经网络时，在训练集中加入带有标注的有缺陷图像、无缺陷图像和未知类别缺陷图像，在测试集中加入无标注的有缺陷图像、无缺陷图像和未知类别缺陷图像，使得训练得到的缺陷检测模型既能够检测到金属喷漆表面已知类别的缺陷，同时能检测到金属喷漆表面未知类别的缺陷，避免发生误检测或漏检测的问题、实现全面检测的目的。三、本专利技术采用VGG16卷积神经网络作为缺陷检测模型，在测试阶段卷积层可代替全连接层，可以接收任意尺寸图像作为输入；采用3*3的卷积核和2*2的池化层，增加了网络深度，有效地提升了分类性能，此外，将输出层分类结果缩小为5个，能够在保证检测准确的基础上减少检测模型的复杂性，实现快速检测的目的。附图说明图1为本专利技术的方法流程示意图；图2为实施例中应用过程示意图；图3为实施例中金属喷漆表面图像预处理示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。实施例如图1所示，一种金属喷漆表面缺陷检测方法，包括以下步骤：S1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；S2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；S3、获取金属喷漆表面包含未知类别本文档来自技高网...

【技术保护点】
1.一种金属喷漆表面缺陷检测方法，其特征在于，包括以下步骤：/nS1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；/nS2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；/nS3、获取金属喷漆表面包含未知类别缺陷的图像，结合带有标注的正样本、无标注的正样本和负样本，通过对深度学习神经网络进行训练测试，得到训练好的缺陷检测模型；/nS4、将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。/n

【技术特征摘要】
1.一种金属喷漆表面缺陷检测方法，其特征在于，包括以下步骤：
S1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；
S2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；
S3、获取金属喷漆表面包含未知类别缺陷的图像，结合带有标注的正样本、无标注的正样本和负样本，通过对深度学习神经网络进行训练测试，得到训练好的缺陷检测模型；
S4、将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。


2.根据权利要求1所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述金属喷漆表面图像数据集中有缺陷图像的缺陷具体包括流淌、颗粒、翻边和气泡。


3.根据权利要求2所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、对金属喷漆表面图像数据集进行预处理，得到预处理后的H张金属喷漆表面图像；
S22、采用Blob块检测方式，对预处理后的每张金属喷漆表面图像依次进行块检测，以初选出K张有缺陷图像和S张无缺陷图像，其中，K+S＝H；
S23、通过LabelMe图像标注工具，随机对N张有缺陷图像中的缺陷进行标注，得到带有标注的正样本，剩余(K-N)张有缺陷图像即为无标注的正样本，S张无缺陷图像即为负样本。


4.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S21中预处理过程具体为：
S211、通过高斯滤波去除金属喷漆表面图像的噪声；
S212、对金属喷漆表面图像进行直方图均衡化处理，以均匀图像亮度；
S213、依次对金属喷漆表面图像进行阈值分割和腐蚀形态学操作，使图像中的缺陷更加明显。


5.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S22中进行块检测的具体过程为：
S221、采用Blob块检测方式，将金属喷漆表面图像中的缺陷部分圈出来，每张金属喷漆表面图像对应有一张缺陷初选列表；
S222、将检...

【专利技术属性】
技术研发人员：王慧星，高永彬，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海;31