【技术实现步骤摘要】
一种金属表面缺陷检测方法、系统、装置和存储介质
本专利技术涉及人工智能领域，特别涉及一种金属表面缺陷检测方法、系统、装置和存储介质。
技术介绍
常见的金属表面缺陷有擦伤，划痕，砂眼，疵点等，因此产线上须有质量检测流程。然而人工检测正确率和效率低下。利用机器检测存在着与其他工业产品一样的小样本和正负样本不平衡问题，监督学习的相关深度学习网络又都比较依赖数据，数据越多，分布就越有规律，网络就会学习得越好，对于缺陷的检测就越有利，而工业产品往往存在样本少，正负样本不平衡的问题，现有的技术就难以解决或者难以达到一个行业高水平的结果。传统算法的局限性较大，很多依靠技术人员的主观性，使用不同的算法做结合。针对不同对象还需要不同的算法解决，通用性不高。遇到复杂的场景时，传统算法还会出现瓶颈，无法达到较好的结果。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种一种金属表面缺陷检测方法、系统、装置和存储介质，所述一种金属表面缺陷检测方法、系统、装置和存储介质采用深度学习中无监督学...
【技术保护点】
1.一种金属表面缺陷检测方法，其特征在于，包括：/n采集第一图像，所述第一图像为金属表面拍摄图；/n预处理所述第一图像，得到经过预处理金属表面拍摄图的第二图像；/n把所述第二图像输入到经过对抗式网络训练后的生成式网络，得到无缺陷的第三图像，所述对抗式网络用于训练所述生成式网络；/n图像后处理，根据所述第二图像和所述第三图像得到缺陷区域。/n
【技术特征摘要】 【专利技术属性】
1.一种金属表面缺陷检测方法，其特征在于，包括：
采集第一图像，所述第一图像为金属表面拍摄图；
预处理所述第一图像，得到经过预处理金属表面拍摄图的第二图像；
把所述第二图像输入到经过对抗式网络训练后的生成式网络，得到无缺陷的第三图像，所述对抗式网络用于训练所述生成式网络；
图像后处理，根据所述第二图像和所述第三图像得到缺陷区域。
2.根据权利要求1所述的一种金属表面缺陷检测方法，其特征在于，所述预处理所述第一图像包括对所述第一图像进行亮度调整、灰度调整和图像裁剪。
3.根据权利要求1所述的一种金属表面缺陷检测方法，其特征在于，所述生成式网络包括：
卷积层一，卷积核的大小设置为4*4，步长为2，卷积核的个数为64，边缘填充一行一列；
卷积层二，卷积核的大小设置为4*4，步长为2，卷积核的个数为64，边缘填充一行一列；
卷积层三，卷积核的大小设置为4*4，步长为2，卷积核的个数为128，边缘填充一行一列；
卷积层四，卷积核的大小设置为4*4，步长为2，卷积核的个数为256，边缘填充一行一列；
卷积层五，卷积核的大小设置为4*4，步长为2，卷积核的个数为512，边缘填充一行一列；
卷积层六，卷积核的大小设置为4*4，步长为2，卷积核的个数为1024，边缘填充一行一列；
卷积层七，卷积核的大小设置为4*4，步长为1，卷积核的个数为4000，边缘无填充；
所述卷积层一、所述卷积层二、所述卷积层三、所述卷积层四、所述卷积层五、所述卷积层六和所述卷积层七依次连接。
4.根据权利要求3所述的一种金属表面缺陷检测方法，其特征在于，所述生成式网络还包括：
逆卷积层八，卷积核的大小设置为4*4，步长为1，卷积核的个数为1024，边缘无填充；
逆卷积层九，卷积核的大小设置为4*4，步长为2，卷积核的个数为512，边缘填充一行一列；
逆卷积层十，卷积核的大小设置为4*4，步长为2，卷积核的个数为256，边缘填充一行一列；
逆卷积层十一，卷积核的大小设置为4*4，步长为2，卷积核的个数为128，边缘填充一行一列；
逆卷积层十二，卷积核的大小设置为4*4，步长为2，卷积核的个数为64，边缘填充一行一列；
逆卷积层十三，卷积核的大小设置为4*4，步长为2，卷积核的个数为64，边缘填充一行一列；
逆卷积层十四，卷积核的大小设置为4*4，步长为2，卷积核的个数为1，边缘填充一行一列，所述逆卷积层十四的激活函数是Tanh函数；
所述卷积层七和所述逆卷积层八连接，所述逆卷积层八、所述逆卷积层九、所述逆卷积层十、所述逆卷积层十一、所述逆卷积层十二、所述逆卷积层十三和所述逆卷积层十四依次连接。
技术研发人员：李澄非，潘海欣，蔡嘉伦，邱世汉，梁辉杰，董超俊，冯跃，梁淑芬，邓辅秦，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44
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。