一种基于深度学习的磁瓦缺陷检测及分割方法技术

本发明专利技术公开了一种基于深度学习的磁瓦缺陷分割和分类方法，属于缺陷检测技术领域，算法的具体步骤为：利用特征提取子网络的特征金字塔提取待检测图像特征，利用缺陷分割子网络对图像进行像素级分类得到缺陷的分割结果，再通过缺陷分类子网络融入分割结果预测图像是否存在缺陷。本算法仅需少量像素级标记的缺陷图像就可明显提升缺陷分类结果，同时分割出缺陷的大小；在训练阶段采用混合监督的模式，无需对所有的缺陷图像进行人工的像素级标记，大大降低了制作数据集的成本。大降低了制作数据集的成本。

【技术实现步骤摘要】
一种基于深度学习的磁瓦缺陷检测及分割方法


[0001]本专利技术属于深度学习领域和缺陷分割领域，具体涉及一种基于深度学习的磁瓦缺陷检测及分割方法。

技术介绍

[0002]表面缺陷检测是机器视觉的一项非常重要的研究内容，也是计算机视觉在工业落地的重要场景，磁瓦表面的缺陷检测是表面缺陷检测的具体应用场景。目前其缺陷检测仍旧存在采用人工检测的方式，这对工人的经验和体力具有一定的要求。近年来，非常多的采用深度学习的方式进行表面缺陷检测的方式不断被报道，主要可以分为有监督的和无监督的方法。有监督的方法指的是利用人的经验和知识对数据集进行标记(图像级分类、矩形框、像素级分类等)，无监督的方法指的是对网络训练时只使用无缺陷的图像，在进行缺陷检测的时候发现不一致的则定义为缺陷。
[0003]根据实际场景中对网络的要求，可将缺陷检测分为三类：(1)是否存在缺陷(2) 缺陷在哪里(3)缺陷有多少，这三类的要求依次增高，解决缺陷有多少的问题实际上也涵盖了缺陷在哪里的问题。对于磁瓦表面缺陷，主要可划分为气孔、裂纹、断裂、磨损和异面五类，这五类缺陷的差异较大，例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的磁瓦缺陷检测及分割方法，其特征在于，包括以下步骤：步骤S1、将预先准备好的不带有缺陷和带有缺陷的数据集按照比例划分为训练集和测试集，对网络进行训练，得到磁瓦缺陷检测的语义分割器和分类器；步骤S2、通过采集设备采集磁瓦图像，将图像转换为400
×
400大小，输入网络，进行磁瓦表面缺陷分割和分类。2.根据权利要求1所述的基于深度学习的磁瓦缺陷检测及分割方法，其特征在于：训练时采用混合监督的训练方式，其训练集中的缺陷图像可分为带有像素级标注的图像和不带有像素级标注的图像。3.根据权利要求1所述的基于深度学习的磁瓦缺陷检测及分割方法，其特征在于：网络的基本卷积模块由卷积层、特征归一化层和激活层组成；卷积层的卷积核尺寸为5，边缘填充尺寸为2，以保持卷积后特征图尺寸不变；特征归一化公式如下所示：μ＝1/N∑
i
∑
j
x
ij
ꢀꢀ
(1)(1)式中，x
ij
表示图像中第i行第j列像素位置的值。4.根据权利要求1所述的基于深度学习的磁瓦缺陷检测及分割方法，其特征在于：网络由特征提取子网络、缺陷分割子网络和缺陷分类子网络组成。5.根据权利要求4所述的基于深度学习的磁瓦缺陷检测及分割方法，其特征在于：特征提取子网络由3个卷积模块和3个池化层组成并采用特征金字塔。6.根据权利要求4所述的基于深度学习的磁瓦缺陷检测及分割方法，其特征在于：缺陷...

【专利技术属性】
技术研发人员：李高旭，刘艳丽，邢冠宇，
申请(专利权)人：四川大学，
类型：发明
国别省市：