一种表面缺陷检测任务的正常样本无损生成方法技术

本发明专利技术公开了一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤：快速定位未标注NG样本的缺陷区域；使用目标检测算法检测NG样本中的缺陷；融合精筛的检测框；提取缺陷区域，将缺陷回归框的长和宽放大；搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；替换有缺陷区域的前景，生成无损的正常样本。

【技术实现步骤摘要】
一种表面缺陷检测任务的正常样本无损生成方法
本专利技术涉及深度学习
，尤其涉及一种表面缺陷检测任务的正常样本无损生成方法。
技术介绍
表面缺陷检测在工业生产过程中起着非常重要的作用。传统的工业生产中，表面缺陷由工人目视检查，这是主观的、低效的和不准确的。由于各厂家制造工艺的差别，以及人眼观察的低效性和不准确性，无法完全保证百分之百的生产良率。为了进一步提高生产质量，降低重复的密集劳动，越来越多的机器视觉技术正被应用于工业领域，助力企业增产降本。近几年，以卷积神经网络为核心的深度学习算法飞速发展，使得机器视觉技术不再是传统的图像处理，只能区分OK和NG样本，而是可以准确高效的区分缺陷的类别和定位缺陷出现的位置，甚至可以检测出缺陷的面积大小。虽然深度学习应用于工业检测领域是成功的，但是仍然有一些还未解决的技术难点：1、深度学习技术对数据量的依赖是庞大的，而当前工业数据的采集有一定局限性，因为涉及到数据保密、存储容量、大量数据的存储会降低生产效率等原因的限制，现有的工业生产线上图像的采集，大部分都是只保存NG的样本，这就造成了OK样本的大量缺失；2、深度学习如果只学习含有缺陷的NG样本常常会使得模型的优化方向与真实的数据分布是有偏差的，这也是一种模型过拟合的现象，导致对OK样本的辨识力降低，因此需要适量的OK样本来验证模型的过杀指标和纠正模型的偏向性；3、为了保证深度学习模型的准确性与鲁棒性，算法的测试评估显得尤为重要。尤其在表面缺陷检测任务中，普遍存在正负样本严重不平衡问题，含有缺陷的样本往往比不含缺陷的正常样本少的多；如果只用NG样本测试算法模型的效果，显然由于测试场景下和真实场景下数据分布的极度不一致性，导致算法测试的结果不再真实可信，因此OK样本在算法效果的评估中具有重要意义。鉴于以上所述，实有必要提供一种新型的表面缺陷检测任务的正常样本无损生成方法以克服上述缺陷。
技术实现思路
本专利技术的目的是提供一种表面缺陷检测任务的正常样本无损生成方法，能够在NG样本中实现缺陷的准确定位，可生成无损的正常样本，改善正负样本不平衡的比例，并且将大量的正常样本引入测试集，使得测试集的数据分布接近工厂生产的真实数据分布，从而算法评估的结果会更加合理可信。为了实现上述目的，本专利技术提供一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤：S1：快速定位未标注NG样本的缺陷区域；S2：使用目标检测算法检测NG样本中的缺陷；S3：融合精筛的检测框；S4：提取缺陷区域，将缺陷回归框的长和宽放大；S5：搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；S6：替换有缺陷区域的前景，生成无损的正常样本。优选的，未标注的NG样本中含有缺陷，通过如下步骤完成缺陷的快速定位：S11：使用批量真实的OK样本，用均值叠加的方法生成作OK样本的模板图；S12：将未标注的NG图片与OK样本模板使用帧差法得到差异图；S13：将差异图转化为二值图，并过滤噪点，剩下的白色区域为候选缺陷；S14：对二值图上的候选缺陷使用缺陷标准的判断逻辑进行二次过滤，低于缺陷最低判断标准的视为干扰滤除，剩下的区域为置信度高的缺陷，通过最小外接矩形算法获得缺陷的详细坐标。优选的，S21：使用标注好的高质量NG样本数据重复训练目标检测网络形成若干个模型；S22：使用S21中的最优模型在未标注的NG样本上检测缺陷；S23：通过阈值法精筛检测框和非极大值抑制算法精筛检测框，得到检测置信度高且定位准确的缺陷类别和缺陷回归框的位置。优选的，以缺陷回归框中心点为基准，将缺陷回归框的长和宽均放大s倍，并且保证放大的最小尺度为m像素，如公式（1）和（2）所得：（1）；（2）；其中，w和h分别为原始的缺陷回归框的宽和高，w_new和h_new分别为放大后的缺陷回归框的宽和高。优选的，通过权重叠加的方法得到高保真的图像拼接过渡区域，生成无损的正常样本。优选的，权重的基准t由放大后的缺陷回归框的放大量决定，过渡区域每个像素位置拥有线性变化的权重，由放大后的缺陷回归框的中心向外递减，即由1按1/t的间隔递减到0，原图上对应拼接位置的权重由0按1/t的间隔递增到1；过渡区域每个像素的最终取值由公式（3）计算所得，（3）；其中，i代表从回归框中心点向外侧移动的像素个数，Pi代表i所在位置的融合后的像素值，Pio代表原图上正常样本区域在i位置的像素值，Pin代表匹配到的正常样本区域在i位置的像素值。与现有技术相比，本专利技术提供的一种基于边框回归的数据标注校正方法，具有以下有益效果：1）能够在NG样本中实现缺陷的准确定位，可生成无损的正常样本，并且正常样本的生成可以根据不同的数据灵活调整缺陷的融合策略以及边缘的拼接算法；2）在生成高质量正常样本的同时，远低于其他图像生成算法如生成式对抗网络所需的计算量；3）可批量生成正常样本，改善正负样本不平衡的比例，并且将大量的正常样本引入测试集，使得测试集的数据分布接近工厂生产的真实数据分布，从而算法评估的结果会更加合理可信。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术提供的表面缺陷检测任务的正常样本无损生成方法的流程图。图2为本专利技术提供的表面缺陷检测任务的正常样本无损生成方法的生成正常样本的示意图。具体实施方式为了使本专利技术的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本专利技术进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本专利技术，并不是为了限定本专利技术。需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。请参阅图1至图2，本专利技术提供一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤。S1：快速定位未标注NG样本的缺陷区域；具体的，未标注的NG样本中含有缺陷，但是不知道缺陷的具体位置，可通过如下步骤完成缺陷的快速定位：S11：使用批量真实的OK样本，用均值叠加的方法生成作OK样本的模板图；S12：将未标注的NG图片与OK样本模板使用帧差法得到差异图；S13：将差异图转化为二值图，并过滤噪点，剩下的白色区域为候选缺陷；S14：对二值图上的本文档来自技高网...

【技术保护点】
1.一种表面缺陷检测任务的正常样本无损生成方法，其特征在于，包括如下步骤：/nS1：快速定位未标注NG样本的缺陷区域；/nS2：使用目标检测算法检测NG样本中的缺陷；/nS3：融合精筛的检测框；/nS4：提取缺陷区域，将缺陷回归框的长和宽放大；/nS5：搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；/nS6：替换有缺陷区域的前景，生成无损的正常样本。/n

【技术特征摘要】
1.一种表面缺陷检测任务的正常样本无损生成方法，其特征在于，包括如下步骤：
S1：快速定位未标注NG样本的缺陷区域；
S2：使用目标检测算法检测NG样本中的缺陷；
S3：融合精筛的检测框；
S4：提取缺陷区域，将缺陷回归框的长和宽放大；
S5：搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；
S6：替换有缺陷区域的前景，生成无损的正常样本。


2.权利要求1所述的表面缺陷检测任务的正常样本无损生成方法，其特征在于，未标注的NG样本中含有缺陷，通过如下步骤完成缺陷的快速定位：
S11：使用批量真实的OK样本，用均值叠加的方法生成作OK样本的模板图；
S12：将未标注的NG图片与OK样本模板使用帧差法得到差异图；
S13：将差异图转化为二值图，并过滤噪点，剩下的白色区域为候选缺陷；
S14：对二值图上的候选缺陷使用缺陷标准的判断逻辑进行二次过滤，低于缺陷最低判断标准的视为干扰滤除，剩下的区域为置信度高的缺陷，通过最小外接矩形算法获得缺陷的详细坐标。


3.如权利要求1所述的表面缺陷检测任务的正常样本无损生成方法，其特征在于，S21：使用标注好的高质量NG样本数据重复训练目标检测网络形成若干个模型；
S22：使用S21中的最优模型在未标注的NG样...

【专利技术属性】
技术研发人员：糜泽阳，郑军，
申请(专利权)人：聚时科技江苏有限公司，
类型：发明
国别省市：江苏;32