本发明专利技术公开了一种金属表面缺陷检测方法、装置及存储介质，其中方法包括：根据正常样本图像获取缺陷合成图像；对缺陷合成图像进行双树复小波变换，将图像特征从像素域变换到小波域，获得低频分量和多个尺度的高频分量；对获得的低频分量和高频分量进行修改，并进行逆双树复小波变换，获得重建图像；采用缺陷合成图像和重建图像对图像预测模型进行训练；获取待检测图像，将待检测图像输入训练后的图像预测模型，输出检测结果。本发明专利技术不需要收集真实的缺陷样本，仅需要正常样本便可以具备较好的缺陷检测和定位能力，可广泛用于带有一定金属光泽的金属表面的自动在线检测。本发明专利技术可广泛应用于金属表面的缺陷检测技术领域。用于金属表面的缺陷检测技术领域。用于金属表面的缺陷检测技术领域。
【技术实现步骤摘要】
一种金属表面缺陷检测方法、装置及存储介质
[0001]本专利技术涉及金属表面的缺陷检测
，尤其涉及一种金属表面缺陷检测方法、装置及存储介质。
技术介绍
[0002]在弧形金属工件(如电子换向器和白车身)的生产过程中，产品表面的缺陷直接影响着产品的质量。由于电子换向器和白车身等表面存在材质成像特性较差且缺陷类型多样、形状各异和缺陷对比度低等问题，这类产品表面的缺陷检测目前主要依赖经验丰富的技术工人通过人工目测的方式进行，其低效、低精度、低复现性，以及工作乏味枯燥等缺点，已成为制约企业改善产品质量、提升市场竞争力的关键瓶颈。例如，某汽车公司内部数据表明，在2019年间，涂漆前车身(即白车身)存在的缺陷占到了总缺陷的46％，但其中65％的缺陷是在车辆完成涂装后才被发现的，大大提高了汽车的修复成本。
[0003]目前，表面缺陷主要采用基于有监督学习的检测方法。这类方法虽然比较成熟，但模型训练需要收集大量缺陷样本，这在许多应用中是非常困难的。某些研究因此利用人工合成的方式生成训练样本，但由于合成的样本存在失真，无法很好地拟合缺陷的真实分布，因此一旦部署到真实的生产场景中，模型的检测能力会出现严重的下降。
[0004]无监督方法是指仅利用正常(即无缺陷)样本训练神经网络模型实现检测的方法，可极大降低模型的训练成本。其基本原理为：为测试样本重建一张“正常”的样本图像，并把两张图像之间存在差异的区域判定为缺陷区域。因此，基于该原理的算法核心模块就是网络模型中的图像重建模块。理想的重建模块应“原封不动地”保留输入样本中的无缺陷区域，同时融合上下文信息“无缝”修复缺陷区域，使整体重建结果高度保真。但如何仅利用正常样本引导网络模型区分正常区域和缺陷区域并进行自适应的图像修复是这类方法的主要技术难点。一方面，目前的方法普遍在像素域对图像进行约束和重建，这些方法对规则纹理图像效果较好，但难以有效地约束网络实现对随机性纹理图像的主要特征进行有效描述。另一方面，由于电子换向器等这类弧形金属表面存在随机性强的表面纹理，目前主流的重建网络模块均难以精确地对图像的正常区域进行重建，因此检测结果存在大量由重建误差引起的噪声，限制了该方法的检测能力。
技术实现思路
[0005]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提出一种金属表面缺陷检测方法、装置及存储介质。
[0006]本专利技术所采用的技术方案是：
[0007]一种金属表面缺陷检测方法，包括以下步骤：
[0008]根据正常样本图像获取缺陷合成图像；其中，缺陷合成图像上设有缺陷区域；
[0009]对缺陷合成图像进行双树复小波变换，将图像特征从像素域变换到小波域，获得低频分量和多个尺度的高频分量；
[0010]对获得的低频分量和高频分量进行修改，并进行逆双树复小波变换，获得重建图像；
[0011]采用缺陷合成图像和重建图像对图像预测模型进行训练；
[0012]获取待检测图像，将待检测图像输入训练后的图像预测模型，输出检测结果。
[0013]进一步地，所述根据正常样本图像获取缺陷合成图像，包括：
[0014]获取缺陷候选区域，根据缺陷候选区域获取掩膜图像；
[0015]根据缺陷候选区域，生成异常图像；其中，异常图像包括椒盐噪声图像、高斯噪声图像、褪色图像或异源数据集图像；
[0016]根据掩膜图像，将正常样本图像和异常图像进行融合，生成缺陷区域，获得缺陷合成图像。
[0017]进一步地，所述缺陷合成图像的表达式如下：
[0018][0019]式中，为合成图像，为正常样本图像，为异常图像，β为融合因子，为服从均匀分布的随机浮点数，
⊙
表示像素点乘，表示掩膜图像，为掩膜图像取反后的二值图像。
[0020]进一步地，所述对获得的低频分量和高频分量进行修改，并进行逆双树复小波变换，获得重建图像，包括：
[0021]对于低频小波系数图，采用重建网络对低频分量进行重建，作为修改后的低频分量，重建获得的小波系数图与正常样本图像的小波系数图一致；
[0022]对于高频小波系数图，每一尺度的高频分量对应着一个决策模块；决策模块对每一方向的小波系数图的实部和虚部进行求模，对图像中的每一个局部输出分数值；若输出的分数值大于预设阈值，则保留该局部的小波系数；反之，将该局部的小波系数置0；获得修改后的高频分量；
[0023]对修改后的低频分量和高频分量进行逆双树复小波变换，获得重建图像。
[0024]进一步地，所述重建网络为自编码器网络，重建网络的损失函数的表达式为：
[0025][0026]式中，为重建网络输出的小波系数图，为对正常样本图像进行同样的双树复小波分解得到的低频小波系数图；表示两幅图像的结构相似性损失值。
[0027]进一步地，高频分量对应的损失函数的表达式为：
[0028][0029]式中，为经过决策模块处理的高频分量图像，为正常样本图像的高频分量图像，
⊙
为像素乘法，为掩膜图像，为掩膜图像取反后的二值图像。
[0030]进一步地，所述重建图像对应的像素域的损失函数的表达式为：
[0031][0032]式中，为重建图像，为正常样本图像，为掩膜图像，为掩膜图像取反后的二值图像。
[0033]进一步地，所述采用缺陷合成图像和重建图像对图像预测模型进行训练，包括：
[0034]获取缺陷合成图像和重建图像，以及两图之间的残差图，并对缺陷合成图像、重建图像和残差图像沿通道数方向进行堆叠，作为图像预测模型的输入；
[0035]采用Focal损失函数对图像预测模型进行训练，使图像预测模型检测到的缺陷区域与缺陷合成图像上的缺陷候选区域一致。
[0036]本专利技术所采用的另一技术方案是：
[0037]一种金属表面缺陷检测装置，包括：
[0038]至少一个处理器；
[0039]至少一个存储器，用于存储至少一个程序；
[0040]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0041]本专利技术所采用的另一技术方案是：
[0042]一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0043]本专利技术的有益效果是：本专利技术不需要收集真实的缺陷样本，仅需要正常样本便可以具备较好的缺陷检测和定位能力，可广泛用于带有一定金属光泽的金属表面的自动在线检测。
附图说明
[0044]为了更清楚地说明本专利技术实施例或者现有技术中的技术方案，下面对本专利技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本专利技术的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0045]图1是本专利技术实施例中的网络本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种金属表面缺陷检测方法，其特征在于，包括以下步骤：根据正常样本图像获取缺陷合成图像；其中，缺陷合成图像上设有缺陷区域；对缺陷合成图像进行双树复小波变换，将图像特征从像素域变换到小波域，获得低频分量和多个尺度的高频分量；对获得的低频分量和高频分量进行修改，并进行逆双树复小波变换，获得重建图像；采用缺陷合成图像和重建图像对图像预测模型进行训练；获取待检测图像，将待检测图像输入训练后的图像预测模型，输出检测结果。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，所述根据正常样本图像获取缺陷合成图像，包括：获取缺陷候选区域，根据缺陷候选区域获取掩膜图像；根据缺陷候选区域，生成异常图像；其中，异常图像包括椒盐噪声图像、高斯噪声图像、褪色图像或异源数据集图像；根据掩膜图像，将正常样本图像和异常图像进行融合，生成缺陷区域，获得缺陷合成图像。3.根据权利要求2所述的一种金属表面缺陷检测方法，其特征在于，所述缺陷合成图像的表达式如下：式中，为合成图像，为正常样本图像，为异常图像，β为融合因子，为服从均匀分布的随机浮点数，
⊙
表示像素点乘，表示掩膜图像，为掩膜图像取反后的二值图像。4.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，所述对获得的低频分量和高频分量进行修改，并进行逆双树复小波变换，获得重建图像，包括：对于低频小波系数图，采用重建网络对低频分量进行重建，作为修改后的低频分量，重建获得的小波系数图与正常样本图像的小波系数图一致；对于高频小波系数图，每一尺度的高频分量对应着一个决策模块；决策模块对每一方向的小波系数图的实部和虚部进行求模，对图像中的每一个局部输出分数值；若输出的分数值大于预设阈值，则保留该局部的小波系数；反之，将该局部的小波系数置0；获得修改后的高频分量；对...
【专利技术属性】
技术研发人员：胡广华，何文亮，涂千禧，王清辉，焦安强，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
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。