用于工业外观缺陷检测的人工智能分割分类算法制造技术

本发明专利技术提供用于工业外观缺陷检测的人工智能分割分类算法，涉及工业计算机视觉技术领域。包括以下具体步骤，首先通过样本的轮廓标注得到训练数据集，然后构建语义分割格式的训练集，完成训练的预处理，然后构建语义分割模型进行模型的训练，最后利用训练的分割模型进行在线推理检测出缺陷的精确位置。本发明专利技术采用自主设计分割模型，检出包含缺陷的图像区域，并带有评分；然后自主设计分类模型，过滤误判为缺陷的正常图像区域，最终实验验证算法的缺陷检出能力和降误判能力，并利用人工智能算法，设计了分割模型和分类模型，并验证分割模型的保检出能力、分类模型的降误判能力，达到工业外观缺陷智能检测，达到制造领域品保环节的降本增效。的降本增效。的降本增效。

【技术实现步骤摘要】
用于工业外观缺陷检测的人工智能分割分类算法


[0001]本专利技术涉及工业计算机视觉
，特别涉及用于工业外观缺陷检测的人工智能分割分类算法。

技术介绍

[0002]目前的工业外观缺陷检测算法主要是基于传统图像算法，存在问题有：可应用场景有限(基于正负样本库的图像差值对比，提供公差类检测服务，无法对划伤、异物、缺损等无规则缺陷保存标准样本)、检测精度低(无法提取各种缺陷内在特征，当待检品与标准样本有出入时，可能会误判)、普适性差(针对产品改良和规格升级条件下，无法对海量标准样本进行算法重构)、天花板明显(当缺陷与背景的边缘特征很不明显时，传统图像算法所表现的天花板越来越明显)，国内目前还没有自主研发的用于外观缺陷检测的人工智能分割分类算法。
[0003]针对工业领域缺陷检测业务需求、传统图像算法应用局限、本算法分割和分类两个层面展开研发，第一个层面是分割，保证外观缺陷检出力，满足业务需求，第二个层面是分类，对分割检出的结果进行复盘，保证误判在工程可接受范围内，本算法的缺陷检出率趋近于100％、漏检率趋近于0％。直通率达80％以上。

技术实现思路

[0004](一)技术方案
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：用于工业外观缺陷检测的人工智能分割分类算法，包括以下具体步骤，首先通过样本的轮廓标注得到训练数据集，然后构建语义分割格式的训练集，完成训练的预处理，然后构建语义分割模型进行模型的训练，最后利用训练的分割模型进行在线推理检测出缺陷的精确位置；
[0006]其中语义分割首先需要人工标注待检测目标的边缘轮廓信息，包含精细的边缘轮廓以及轮廓内包含的目标类别；
[0007]然后把标注好的样本集按类别随机打乱，然后组装成语义分割可以理解的数据格式，即每个标注区域内用该类别对应的像素值填充，把目标与目标之间的标签信息相互隔离，组装成语义分割可以训练的数据格式；
[0008]之后通过对整幅图像进行OK和NG打标签得到训练数据集，然后构建分类格式的训练集，完成训练的预处理，通过对整幅图像进行OK和NG打标签得到训练数据集，然后构建分类格式的训练集，完成训练的预处理，图像分类首先需要人工对每幅图像打标签。
[0009]优选的，所述构建语义分割模型选择UNet模型，所述语义分割模型还包含四层下采样作为编码模块和四层上采样作为解码模块，编码模块和解码模块左右完全对称，且相对应的层之间进行浅层和深层的特征融合，融合完成后得到一个跟输入图像相同大小的预测概率图，最后计算输入图像与上一步得到的概率图之间的损失，通过损失的反向传播来训练语义分割模型；
[0010]其中图像卷积公式：
[0011]W
out
＝(W
in
+2*P
‑
F)/S+T
[0012]式中，W
in
为输入图像的宽，F为滤波器的大小，S为移动步长，P为卷积时扩展的像素数，T为实验参数。
[0013]进一步，其中损失函数包括Dice Loss、Focal Loss和带权的交叉熵损失
[0014]Dice损失：
[0015][0016]式中：
[0017]为dice系数，它是描述两个集合相似度的度量函数，一般用于计算两个样本的相似度，取值范围在0到1之间；
[0018]Focal loss
[0019][0020]式中和γ就是为了解决难易样本不均衡问题而设计的，最直接的想法就是很容易分的样本的损失降低一些，提高难分样本的损失，以此达到样本不均衡问题；
[0021]带权交叉熵损失函数
[0022][0023]式中，ω
c
为类别的权重系数，
[0024]在交叉熵损失函数的基础上为每个类别增加一个权重系数，以此来提高类别数量过少的样本的损失值，这样做可以让样本数量不均衡的时候仍然能训练出一个好的结果，M为待检测的类别数动态改变学习率：
[0025]new_lr＝lr*factor
[0026]当验证集的训练loss在指定的轮数下没有继续降低时就把学习率乘以一个衰减因子，同时也设置了一个最小的学习率，来防止学习率无限制的降低而导致损失陷入局部最优解。
[0027]更进一步，所述算法采用AdamW优化器，它是Adam的进化版本，并采用了在线的数据扩展模式。
[0028]更加进一步，所述图像分类首先需要人工对每幅图像打标签后，把标注好的样本集按类别随机打乱，然后组装成分类模型可以理解的数据格式，即每个图像对应一个label，组装成分类模型可以训练的数据格式。
[0029]更加进一步，其中构建分类模型选择ResNet18模型，经验证后在工业瑕疵检测领域，ResNet18是17个卷积层加上1个全连接层，该模型主要用了跨层连接的残差结构，模型由4个layer组成每一个layer包含2个basicBlock，每一个basicBlock有2次卷积操作，layer1没有下采样操作，其他3个layer均进行了下采样，最关键的地方，每一个basicBlock内部都有残差结构。
[0030]更加进一步，由于要支持多类别的分类，我们采用了加权的交叉熵损失带权交叉
熵损失函数：
[0031][0032]式中，为类别的权重系数，在交叉熵损失函数的基础上为每个类别增加一个权重系数，以此来提高类别数量过少的样本的损失值，这样做可以让样本数量不均衡的时候仍然能训练出一个好的结果，M为待检测的类别数。
[0033](二)有益效果
[0034]本专利技术提供了用于工业外观缺陷检测的人工智能分割分类算法。具备以下有益效果：本专利技术采用自主设计分割模型，检出包含缺陷的图像区域，并带有评分；然后自主设计分类模型，过滤误判为缺陷的正常图像区域，最终实验验证算法的缺陷检出能力和降误判能力，并利用人工智能算法，设计了分割模型和分类模型，并验证分割模型的保检出能力、分类模型的降误判能力，达到工业外观缺陷智能检测，达到制造领域品保环节的降本增效。
附图说明
[0035]图1为本专利技术分割技术方案示意图；
[0036]图2为本专利技术分类技术方案示意图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]实施例一：
[0039]如图1
‑
2所示，首先通过样本的轮廓标注得到训练数据集，然后构建语义分割格式的训练集，完成训练的预处理；然后构建语义分割模型进行模型的训练，最后利用训练的分割模型进行在线推理检测出缺陷的精确位置；
[0040]语义分割首先需要人工标注待检测目标的边缘轮廓信息，包含精细的边缘轮廓以及轮廓内包含本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于工业外观缺陷检测的人工智能分割分类算法，其特征在于：包括以下具体步骤，首先通过样本的轮廓标注得到训练数据集，然后构建语义分割格式的训练集，完成训练的预处理，然后构建语义分割模型进行模型的训练，最后利用训练的分割模型进行在线推理检测出缺陷的精确位置；其中语义分割首先需要人工标注待检测目标的边缘轮廓信息，包含精细的边缘轮廓以及轮廓内包含的目标类别；然后把标注好的样本集按类别随机打乱，然后组装成语义分割可以理解的数据格式，即每个标注区域内用该类别对应的像素值填充，把目标与目标之间的标签信息相互隔离，组装成语义分割可以训练的数据格式；之后通过对整幅图像进行OK和NG打标签得到训练数据集，然后构建分类格式的训练集，完成训练的预处理，通过对整幅图像进行OK和NG打标签得到训练数据集，然后构建分类格式的训练集，完成训练的预处理，图像分类首先需要人工对每幅图像打标签。2.根据权利要求1所述的用于工业外观缺陷检测的人工智能分割分类算法，其特征在于：所述构建语义分割模型选择UNet模型，所述语义分割模型还包含四层下采样作为编码模块和四层上采样作为解码模块，编码模块和解码模块左右完全对称，且相对应的层之间进行浅层和深层的特征融合，融合完成后得到一个跟输入图像相同大小的预测概率图，最后计算输入图像与上一步得到的概率图之间的损失，通过损失的反向传播来训练语义分割模型；其中图像卷积公式：W
out
＝(W
in
+2*P
‑
F)/S+T式中，W
in
为输入图像的宽，F为滤波器的大小，S为移动步长，P为卷积时扩展的像素数，T为实验参数。3.根据权利要求2所述的用于工业外观缺陷检测的人工智能分割分类算法，其特征在于：其中损失函数包括DiceLoss、FocalLoss和带权的交叉熵损失，其中...

【专利技术属性】
技术研发人员：孙开，陈绍林，
申请(专利权)人：苏州数算人工智能科技有限公司，
类型：发明
国别省市：