基于无监督学习的缺陷检测系统及方法技术方案

本发明专利技术公开了一种基于无监督学习的缺陷检测系统及方法，该缺陷检测系统包括基于PCA滤波卷积的特征提取单元、图像强度分布处理单元和缺陷提取单元，基于PCA滤波卷积的特征提取单元包括级联在一起的至少两层PCA滤波卷积层和位于最后一层PCA滤波卷积层后的自适应特征融合模块；PCA滤波卷积层由一个以上的PCA滤波器构成，前一层PCA滤波卷积层的各PCA滤波器输出分别作为后一层PCA滤波卷积层各PCA滤波器的输入。本发明专利技术首先基于PCA滤波卷积，将缺陷和背景区分开，再基于自适应特征融合策略生成缺陷显著性图像，然后利用图像强度分布和距离变换从显著性图像中准确提取出缺陷；无需标签样本训练，大大减少了计算量，且对各个工业领域的广泛适用性。域的广泛适用性。域的广泛适用性。

【技术实现步骤摘要】
Youkachen等提出了一种基于卷积自编码器和重构图像处理的热轧带钢表面缺陷分割方法，利用卷积自编码器(CAE)通过重构缺陷图像来提取形状特征(S.Youkachen,M. Ruchanurucks,T.Phatrapomnant,H.Kaneko,Defect segmentation of hot
‑
rolled steel stripsurface by using convolutionalauto
‑
encoder and conventional image processing,in:2019 10thInternational Conference of Information and Communication Technology forEmbedded Systems (IC
‑
ICTES),2019)。尽管无监督学习不需要标记样本进行训练，但它容易受到噪声和初始值的影响。
[0005]由于基于CNN的模型通常需要训练大量的标记图像以得到良好的检测性能，但在大多数工业领域难以提前收集大量的形状、大小和类型多样的缺陷样本，影响了上述方法的检测效果。同时，缺陷纹理和产品表面纹理之间的差异很小，重复结构化纹理表面的缺陷和背景之间的对比度较低，上述方法在此类数据集上的检测性能较差。对于具有重复结构纹理的表面，背景是连续的；然而，缺陷的存在使得这些表面纹理不连续且不一致，如图1 所示。在这种情况下，由于缺陷的不同形状、大小和低对比度，很难对缺陷进行建模，但是对重复的背景纹理建模会更容易。F.Timm等提出了使用Weibull特征的非参数纹理缺陷检测，首先计算了局部区域图像梯度分布的Weibull拟合参数，并通过欧氏距离确定是否存在缺陷(F.Timm,E.Barth,Non
‑
parametric texture defect detection usingweibull features, Proceedings of SPIE
‑
The International Society forOptical Engineering 7877(2011))。尽管如此，该方法仍只是适用于缺陷区域较大且背景与缺陷的纹理特征差异也很大的检测，而不能应用于多种不同领域的检测，泛化性较低。
[0006]综上所述，在大多数工业领域，难以收集到大量的标记图像用于基于监督学习的CNN 模型训练；而且，不仅模型训练过程耗时，而且模型计算量极大，使其难以部署在计算资源有限的便携式设备上。此外，现有的显著性图像分析方法缺乏对图像纹理分析，泛化性低。因此，亟待开发一种网络结构简单、计算量小、泛化性高的缺陷检测技术，满足工业领域对产品缺陷的高效、准确检测。

技术实现思路

[0007]针对目前基于深度学习的缺陷检测方法存在的泛化性差、效率低、准确度不高等问题，本专利技术目的旨在提供一种基于无监督学习的缺陷检测系统，利用PCA滤波构建简单的无监督学习网络，能够高效地将缺陷从背景区域中区分开来，从而实现对缺陷的有效识别。
[0008]本专利技术的专利技术思路为：在大多数工业领域，产品表面是结构化的、连续的纹理，人眼很难发现对比度低的缺陷。此外，缺陷的形态具有多样性，对于缺乏大量无偏标记样本的缺陷检测任务而言，很难满足监督学习方法的需求。由于正常产品表面是重复的结构化纹理，缺陷具有非结构化和低对比度等特征，因此本专利技术利用基于PCA滤波的方法，使用多层PCA滤波卷积提取表面图像纹理的主成分，将缺陷从背景区域中区分开来，并尽可能保留原始图像的丰富特征，通过放大缺陷和正常表面之间的显著特征来检测缺陷。
[0009]基于上述专利技术思路，本专利技术提供的基于无监督学习的缺陷检测系统，其包括：
[0010]基于PCA滤波卷积的特征提取单元，用于对待处理图像的纹理特征进行提取；其包括级联在一起的至少两层PCA滤波卷积层和位于最后一层PCA滤波卷积层后的自适应特征融合模块；PCA滤波卷积层由一个以上的PCA滤波器构成，前一层PCA滤波卷积层的各PCA滤
波器输出分别作为后一层PCA滤波卷积层各PCA滤波器的输入；自适应特征融合模块用于将最后一层PCA滤波卷积层输出的各特征图像进行融合；
[0011]图像强度分布处理单元，用于获取融合后图像的灰度强度分布图，并依据灰度强度分布图，将融合图像中低于灰度阈值的图像块作为背景区域，不低于灰度阈值的图像块的灰度值进行重置作为缺陷区域，将融合图像划分出缺陷区域和背景区域；
[0012]缺陷提取单元，用于通过距离变换获得检测缺陷结果。
[0013]上述基于PCA滤波卷积的特征提取单元，各PCA滤波卷积层结构类似，对于任一PCA 滤波卷积层，其目的是采用正交变换将一组潜在相关的变量转换为作为主成分的线性不相关变量。设PCA滤波卷积层的卷积核大小为k
×
k，假设输入图像O的大小为W
×
H，收集经卷积核大小k
×
k卷积提取输入图像的所有图像块，即P1，P2，P3，...，P
i
，...∈R
kk
。其中P
i
表示第 i个图像块。为了减少特征的冗余信息，利用协方差表示两个变量的相关性以此来约束高维数据。确保每个维度的均值和单位方差为零，接着从每个图像块中去除均值以求解协方差矩阵并获得
[0014][0015]其中，并且是一个去均值后的图像块。是一个大小的新矩阵。假设∑是的协方差矩阵，那么
[0016][0017]其中，c
ij
表示和的协方差，因此得到了矩阵的主成分分量。
[0018]假设存在正交矩阵通过正交变换得到进而推断出通过最大化可以求取每个维度的方差之和。因此将问题转为求取：
[0019][0020]s.t.AA
T
＝I
n
×
n
ꢀꢀ
(4)
[0021]其中I
n
×
n
是一个大小为n
×
n的单位矩阵。
[0022]根据拉格朗日乘子法，可以求解特征向量和特征值，并将特征值按照从大到小顺序排列，取前n个特征值对应的特征向量作为的前n维主特征向量因此PCA滤波器可以表达为：
[0023][0024]其中，F
l
表示第l个滤波器，mat
k，k
(v)表示将v∈R
kk
映射至矩阵F∈R
k
×
k
，l(
·
)代表的n维主特征向量。至此，自适应PCA滤波的卷积核提取完成。利用n个PCA滤波器来获取输入图像的特征，得到各滤波器的输出为
[0025]O
l
＝O*F
l，
l＝1，2，...
，
n
ꢀꢀ
(6)
[0026]其中，*表示卷积。
[0027]本专利技术中，所述基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的缺陷检测系统，其特征在于，包括：基于PCA滤波卷积的特征提取单元，用于对待处理图像的纹理特征进行提取；其包括级联在一起的至少两层PCA滤波卷积层和位于最后一层PCA滤波卷积层后的自适应特征融合模块；PCA滤波卷积层由一个以上的PCA滤波器构成，前一层PCA滤波卷积层的各PCA滤波器输出分别作为后一层PCA滤波卷积层各PCA滤波器的输入；自适应特征融合模块用于将最后一层PCA滤波卷积层输出的各特征图像进行融合；图像强度分布处理单元，用于获取融合后图像的灰度强度分布图，并依据灰度强度分布图，将融合图像中低于灰度阈值的图像块作为背景区域，不低于灰度阈值的图像块的灰度值进行重置作为缺陷区域，将融合图像划分出缺陷区域和背景区域；缺陷提取单元，用于通过距离变换获得检测缺陷结果。2.根据权利要求1所述基于无监督学习的缺陷检测系统，其特征在于，所述基于PCA滤波卷积的特征提取单元中，对于任一PCA滤波卷积层，设PCA滤波卷积层的卷积核大小为k
×
k，假设输入图像O的大小为W
×
H，收集经卷积核大小k
×
k卷积提取输入图像的所有图像块，即其中P
i
表示第i个图像块，从每个图像块中去除均值获得其中，并且是一个去均值后的图像块。是一个大小的新矩阵；那么的协方差矩阵∑表示为：其中，c
ij
表示和的协方差，因此得到了矩阵的主成分分量；假设存在正交矩阵通过正交变换得到进而推断出通过最大化可以求取每个维度的方差之和；因此将问题转为求取：s.t.AA
T
＝I
n
×
n
其中I
n
×
n
是一个大小为n
×
n的单位矩阵；根据拉格朗日乘子法，求解特征向量和特征值，并将特征值按照从大到小顺序排列，取前n个特征值对应的特征向量作为的前n维主特征向量因此PCA滤波器可以表达为：其中，F
l
表示第l个滤波器，mat
k，k
(v)表示将v∈R
kk
映射至矩阵F∈R
k
×
k
，l(
·
)代表的n维主特征向量；
利用n个PCA滤波器来获取输入图像的特征，得到各滤波器的输出为O
l
＝O*F
l
，l＝1，2，...，n其中，*表示卷积。3.根据权利要求1或2所述基于无监督学习的缺陷检测系统，其特征在于，所述基于PCA滤波卷积的特征提取单元包括两层PCA滤波卷...

【专利技术属性】
技术研发人员：钟羽中，张乃雪，朱磊，赵涛，佃松宜，
申请(专利权)人：四川大学，
类型：发明
国别省市：