一种基于机器学习的金属表面缺陷检测方法技术

本发明专利技术公开了一种基于机器学习的金属表面缺陷检测方法，首先将一定数量的缺陷图像数据集输入VGG16模型前两个卷积层得到缺陷图像的特征图，对特征图进行拼接以及相关处理后，采用主成分分析法对转换成二维特征向量集的特征图进行降维，得到特征向量集；再将特征向量集中的每一个特征向量与输入图像的每个像素点一一对应，得到训练样本集，并输入至随机森林算法训练得到检测模型；最后将待检测图像通过预处理后低维成特征向量集，再用训练好的随机森林模型进行缺陷检测，将检测模型输出向量转换为二维矩阵，二维矩阵可视化为图像，得到最终检测结果。

【技术实现步骤摘要】
一种基于机器学习的金属表面缺陷检测方法
本专利技术属于缺陷检测
，更为具体地讲，涉及一种基于机器学习的金属表面缺陷检测方法。
技术介绍
表面缺陷是产品的外在缺陷，它与正常的产品表面存在差异，这种差异往往在合适的光照条件下通过人眼就可以分辨出来，所以在传统的工业生产过程中，人工目测法是检测表面缺陷最常用的方法。绝大部分的金属生产厂家仍然使用传统人工肉眼检测的方法对金属进行外观检测，但由于人注意力的局限性以及检测过程中难以避免的接触，人工检测已经不符合当前金属生产的需要，甚至成为了生产力提升的巨大阻碍，如何在线高效检测金属的表面缺陷成为所有金属制造商需要解决的当务之急。而随着科学技术的进步和新型工业化的进一步推进，金属的生产检测过程也可以与工业物联网、人工智能、计算机视觉等技术概念结合在一起。国内外金属表面缺陷检测应用的案例很多，例如Gayubo、Fernando等人提出了一种用于检测金属薄板成形过程中裂纹缺陷的自动检测系统，该图像采集系统主要包括一个CCD渐进相机和一个漫射照明系统；为了保证算法检测精度，方法采用马尔可夫随机场模型对本文档来自技高网...

【技术保护点】
1.一种基于机器学习的金属表面缺陷检测方法，其特征在于，包括以下步骤：/n(1)、特征提取/n使用VGG16模型对尺寸为K*K的输入图像进行两层卷积处理，从而使VGG16模型的第一、第二层卷积层分别输出两张尺寸均为K*K*64的特征图；/n(2)、特征拼接与处理/n将两张64维的特征图进行向量拼接，形成一个128维的特征向量，从而得到K*K个128维特征向量，其中，每个像素点对应一个128维的特征向量；/n(3)、构建特征向量集/n重复步骤(1)、(2)的操作，将N张尺寸均为K*K的输入图像都按照步骤(1)、(2)的操作处理，得到M'＝N*K*K个128维特征向量组成的特征向量集；/n(4)、...

【技术特征摘要】
1.一种基于机器学习的金属表面缺陷检测方法，其特征在于，包括以下步骤：
(1)、特征提取
使用VGG16模型对尺寸为K*K的输入图像进行两层卷积处理，从而使VGG16模型的第一、第二层卷积层分别输出两张尺寸均为K*K*64的特征图；
(2)、特征拼接与处理
将两张64维的特征图进行向量拼接，形成一个128维的特征向量，从而得到K*K个128维特征向量，其中，每个像素点对应一个128维的特征向量；
(3)、构建特征向量集
重复步骤(1)、(2)的操作，将N张尺寸均为K*K的输入图像都按照步骤(1)、(2)的操作处理，得到M'＝N*K*K个128维特征向量组成的特征向量集；
(4)、利用主成分分析法PCA进行特征向量降维降维
(4.1)、在特征向量集中随机选取M＝n*K*K特征向量构成训练特征向量集，在M个特征向量中，单个向量表示为i＝1,2,…,M；
(4.2)、将M个特征向量看作一个128*M大小的矩阵，然后计算所有维度的均值



(4.3)、构建矩阵Y；



(4.4)、构建矩阵Y的协方差矩阵Σ；



(4.5)、设置正交矩阵Q，将协方差矩阵Σ转换为对角矩阵；
QTΣQ＝diag(λ1,λ2,…,λ128),λ1＞λ2＞…＞λ128
其中，λ1,λ2,…,λ128为特征值；
(4.6)、选出前p个特征值λ1,λ2,…,λp所对应的特征向量构成p*128维变换...

【专利技术属性】
技术研发人员：康波，刘露，李云霞，张之楠，王冰峰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51