一种基于人工缺陷仿真的弱监督机器视觉检测方法及系统技术方案

本发明专利技术公开了一种基于人工缺陷仿真的弱监督机器视觉检测方法及系统，该方法步骤包括：针对划痕、毛丝、浅色脏污和深色脏污类型的缺陷，设定控制缺陷结构参数，创建仿真缺陷数据库；划痕和毛丝类型的缺陷由线状类缺陷仿真方法生成；浅色脏污和深色脏污类型的缺陷由块状类缺陷仿真方法生成；采用深度学习的分类和目标检测算法对仿真缺陷数据进行训练，优化模型参数；对待检测对象的收集到的实际缺陷样本进行数据扩增；通过仿真缺陷数据训练得到的深度学习模型进行实际缺陷检测过程的迁移应用，完成实际缺陷检测过程的分类和识别。本发明专利技术解决样本数量少、缺陷图片收集困难的难题，在不同产品的缺陷检测上具有通用性。

【技术实现步骤摘要】
一种基于人工缺陷仿真的弱监督机器视觉检测方法及系统
本专利技术涉及视觉检测
，具体涉及一种基于人工缺陷仿真的弱监督机器视觉检测方法及系统。
技术介绍
近年来，随着视觉检测技术的发展，视觉检测系统呈现非接触、高效率、高分辨精度、高柔性、高可靠性的特点。在大批量的工业生产过程中，依赖人工进行产品质量的检测，往往效率低，并且检测结果的可靠性受工人身体状态、熟练程度等各种因素的影响，而无法得到保证。采用视觉检测可以大幅度地提升检测效率和自动化生产的程度，降低生产成本。视觉检测相比人工检测有诸多优势，在一些不适合人作业的工作环境或人眼难以满足要求的场合中，采用机器视觉来代替人眼，例如晶圆缺陷检测、铸钢厂钢锭检测等；并且通过视觉检测的信息易于进行自动处理与集成。现在的自动化生产过程中，视觉检测广泛应用于电子元器件、半导体器件、包装印刷、食品饮料、医疗检测等各个领域。目前，机器学习在缺陷检测方面体现的效果日益突出，越来越多的学者和工程人员开始将机器学习算法引入到缺陷检测领域。常见的机器学习技术有：聚类分析(k-means)、支持向量机(SVM)本文档来自技高网...

【技术保护点】
1.一种基于人工缺陷仿真的弱监督机器视觉检测方法，其特征在于，包括下述步骤：/n针对划痕、毛丝、浅色脏污和深色脏污类型的缺陷，设定控制缺陷结构参数，创建仿真缺陷数据库；/n所述划痕和毛丝类型的缺陷由线状类缺陷仿真方法生成；/n所述浅色脏污和深色脏污类型的缺陷由块状类缺陷仿真方法生成；/n采用深度学习的分类和目标检测算法对仿真缺陷数据进行训练，优化模型参数；/n对收集到的实际缺陷样本进行数据扩增；/n通过仿真缺陷数据训练得到的深度学习模型进行实际缺陷检测过程的迁移应用，完成实际缺陷检测过程的分类和识别。/n

【技术特征摘要】
1.一种基于人工缺陷仿真的弱监督机器视觉检测方法，其特征在于，包括下述步骤：
针对划痕、毛丝、浅色脏污和深色脏污类型的缺陷，设定控制缺陷结构参数，创建仿真缺陷数据库；
所述划痕和毛丝类型的缺陷由线状类缺陷仿真方法生成；
所述浅色脏污和深色脏污类型的缺陷由块状类缺陷仿真方法生成；
采用深度学习的分类和目标检测算法对仿真缺陷数据进行训练，优化模型参数；
对收集到的实际缺陷样本进行数据扩增；
通过仿真缺陷数据训练得到的深度学习模型进行实际缺陷检测过程的迁移应用，完成实际缺陷检测过程的分类和识别。


2.根据权利要求1所述的基于人工缺陷仿真的弱监督机器视觉检测方法，其特征在于，所述线状类缺陷仿真方法包括下述步骤：
采用随机游走算法，生成线状缺陷的整体骨架；
将骨架转化成连通区域，对线状区域进行膨胀处理；
将所生成的线状区域按照高斯分布进行灰度值填充；
将填充后的区域与无缺陷背景的图片进行图像融合，最终得到人工仿真的线状类缺陷图片。


3.根据权利要求2所述的基于人工缺陷仿真的弱监督机器视觉检测方法，其特征在于，所述生成线状缺陷的整体骨架，具体计算公式为：
θi＝θi-1+sgn·Δθ+sgn·Δφ；
xi＝xi-1+s·cosθi；
yi＝yi-1+s·sinθi；
其中，(xi,yi)为骨架在第i个点上的位置，θi表示骨架在第i个点时的方向角，Δθ为限定角度变化区间内的随机分布，Δφ决定是否存在角度突变，sgn为符号函数，其值为1或-1，决定角度变化的增减方向，s为骨架长度变化的步长；
所述对线状区域进行膨胀处理，具体步骤包括：
将骨架分切分成小段，对每个小段进行不同的膨胀尺度，得到不同宽度的线状区域，对膨胀后的区域进行区域开运算处理；
所述将所生成的线状区域按照高斯分布进行灰度值填充，具体步骤包括：
利用区域腐蚀和布尔差运算将膨胀后的线状区域分为两部分：靠近中心骨架区域和边缘区域，将这两部分区域按照不同的高斯分布进行灰度值填充；
所述将填充后的区域与无缺陷背景的图片进行图像融合，具体计算公式为：
Val_fusion(i,j)＝(1-α)·Val_background(i,j)+α·Val_defect(i,j)
其中，Val_background(i,j)、Val_defect(i,j)和Val_defect(i,j)分别为无缺陷背景图像、已填充灰度线状缺陷区域以及融合后缺陷图像在行列坐标为(i,j)处的灰度值，α为融合系数，其取值区间在0到1之间。


4.根据权利要求1所述的基于人工缺陷仿真的弱监督机器视觉检测方法，其特征在于，所述块状类缺陷仿真方法包括整体呈团状的缺陷的仿真，以及簇状类缺陷的仿真；
所述整体呈团状的缺陷的仿真包括下述步骤：
生成一条随机的不规则的闭合曲线，将所述闭合曲线围成的闭合区域作为块状缺陷的生成区域，对闭合区域进行高斯分布灰度填充或者纹理填充，与无缺陷背景进行图像融合；
所述簇状类的缺陷仿真包括下述步骤：
利用分形叠加后的二维柏林噪声产生随机簇状纹理图片，对图片进行阈值处理得到随机簇状纹理区域，与不规则闭合曲线形成的区域进行区域布尔交运算，得到仿真缺陷簇状区域，对簇状区域进行纹理填充后，与无缺陷背景进行图像融合。


5.根据权利要求4所述的基于人工缺陷仿真的弱监督机器视觉检测方法，其特征在于，所述生成一条随机的不规则的闭合曲线，具体步骤包括：
首先在[0,2π]区间内生成k-1个随机数，按照从小到大顺序进行排序，得到k-1个角度值；
确定k个角度值后，在[0,2π]区间内随机指定一个初始值作为...

【专利技术属性】
技术研发人员：张宪民，李常胜，黄沿江，李海，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44