【技术实现步骤摘要】
本专利技术涉及一种金属带材表面缺陷检测方法，具体的说是一种基于cflow-ad模型的金属带材表面缺陷检测方法。
技术介绍
1、金属带材是冶金行业常见的金属生产制品，在工业应用中有着非常重要的意义。金属带材表面缺陷种类繁多，严重程度不一，极大地影响金属的使用年限与力学性能，尤其是用于精密制造的金属带材，微小的缺陷也将对最终产品造成很大的影响。
2、现有的常见金属带材检测方法包括人工目测、涡流检测、漏磁检测、红外检测和新兴的机器视觉技术，其中：人工目测受检验员的主观因素影响过多，且难以实现在线检测；涡流检测成本过高，且仅能检测金属带材近表面处的缺陷；漏磁检测无法应用于多类大量缺陷场景；红外检测抗干扰性弱且检测类型少。机器视觉技术是目前金属带材检测方法与设备的最佳方案，但是，传统的图像处理技术进行缺陷检测鲁棒性差，难以应对种类繁多的缺陷状态，有监督的深度学习方法虽然能适应多种类、多尺度的表面缺陷检测任务，但依赖于数据集的缺陷样本量，难以迅速应用于缺陷检测场景，且工业领域目前正面对正负样本不均衡、缺陷样本少、难以收集、标注成本高等问题，主流的有监督学习方式以无法很好地适用于表面缺陷检测场景。
技术实现思路
1、本专利技术所要解决的技术问题是克服传统的图像缺陷检测方法受缺陷样本量限制的问题，提供一种基于cflow-ad模型的金属带材表面缺陷检测方法。
2、本专利技术为解决上述技术问题所采用的技术方案是：基于cflow-ad模型的金属带材表面缺陷检测方法，包括如下步骤：
3、（1）、获取无缺陷金属带材表面图像。
4、（2）、对步骤（1）获取的图像进行扩增，构建训练数据集。
5、（3）、搭建patchsvdd特征提取模型，并导入步骤（2）的训练数据集进行特征提取预训练，得到预训练模型。
6、（4）、搭建cflow-ad模型，对步骤（2）训练数据集的图像进行池化操作，构建高斯金字塔；其中，将步骤（3）的预训练模型传入cflow-ad模型的编码层作为特征提取器，提取正常金属带材高斯金字塔的特征，构建多尺度特征金字塔。
7、（5）、利用步骤（2）的训练数据集训练步骤（4）多尺度特征金字塔每个尺度层的独立解码器。
8、（6）、利用步骤（5）训练好的cflow-ad模型对有缺陷的测试样本图像进行检测，确定缺陷在图像上的区域。
9、所述步骤（1）中的无缺陷金属带材表面图像和步骤（6）中的有缺陷测试样本图像，均为通过黑白相机采集的金属带材灰度图像。
10、所述的步骤（2）中，利用旋转操作、尺度变换操作、镜像翻转操作、高斯模糊处理、亮度变换操作、添加随机椒盐噪声操作和/或mosaic操作，完成对原始数据的数倍扩增。
11、在所述的步骤（2）中，随机选取部分图像进行直方图均衡化处理，提高对比度，并扩充数据集样本。
12、在步骤（3）中，patchsvdd特征提取模型将训练数据集的图像划分为若干个大图像块patchb，再将每个大图像块划分为若干个小图像块patchs，每个大图像块设置层级编码器fb，每个小图像块设置层级编码器fs，隶属于同一大图像块的各小图像块的层级编码器fs共享训练参数权重。
13、在步骤（3）中，用于特征提取自监督学习的损失函数中，使用马氏距离代替欧氏距离作为损失函数评估特征空间内邻近图像块语义特征的相似性。
14、所述的损失函数为，
15、其中，，为附近的图像块，f为编码器，对图像块的编码过程如上所述包括层级编码器fb和fs，为编码器计算得到的特征向量；
16、，为随机采样的图像块，为其八邻域内的另一个图像块，y为两个图像块间的相对位置真实值，，为分类器，输入为两个图像块经编码得到的特征向量；，参数和用以调整预测相对位置任务中难以预测的样本权重比例，为预测图像块属于真实相对位置的概率。
17、所述的步骤（5）中，使用训练数据集训练每个独立解码器，使得解码器估计的概率损失函数最小，其中，概率损失函数为，为kl散度，为特征向量归一化为高斯分布后真实的概率密度，为模型估计的概率密度。
18、所述的步骤（6）中，采用双立方插值对多尺度似然估计结果上采样至输入图像大小，确定缺陷在图像上的区域。
19、经过cflow-ad模型对有缺陷的测试样本进行估计，将得到的每个尺度的对数似然转换为概率值，归一化后，使用双立方插值将上采样至输入图像大小，将所有上采样概率聚合为异常得分图s，得分高的地方即为缺陷所在区域。
20、本专利技术的有益效果是：采用无缺陷样本进行自监督学习，解决了缺陷样本难以收集的问题，并通过数据扩增解决因成像因素带来的图像噪音，提高鲁棒性，降低了噪声误检。将经过无缺陷样本训练数据集特征提取预训练的patchsvdd预训练模型传入cflow-ad模型的编码层作为特征提取器，更适用于金属带材表面缺陷检测，提高了特征提取速度和缺陷定位的准确性。
21、在解决所述问题的基础上，引入了patchsvdd进行细粒度检测，划分区域块提高了异常定位的准确性，改进了上采样方法提高了异常定位区域的精确性。优化了patchsvdd训练的损失函数，解决了多尺度下特征空间维度不一致的问题，提高了邻近图像块判断相似性的准确性，提高了难预测相对位置样本的训练权重，对成像噪声的敏感性进一步降低。
本文档来自技高网...【技术保护点】
1.基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：所述步骤（1）中的无缺陷金属带材表面图像和步骤（6）中的有缺陷测试样本图像，均为通过黑白相机采集的金属带材灰度图像。
3.如权利要求1所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：所述的步骤（2）中，利用旋转操作、尺度变换操作、镜像翻转操作、高斯模糊处理、亮度变换操作、添加随机椒盐噪声操作和/或Mosaic操作，完成对原始数据的数倍扩增。
4.如权利要求1或3所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：在所述的步骤（2）中，随机选取部分图像进行直方图均衡化处理，提高对比度，并扩充数据集样本。
5.如权利要求1所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：在步骤（3）中，PatchSVDD特征提取模型将训练数据集的图像划分为若干个大图像块Patchb，再将每个大图像块划分为若干个小图像块Patc
6.如权利要求1所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：在步骤（3）中，用于特征提取自监督学习的损失函数中，使用马氏距离代替欧氏距离作为损失函数评估特征空间内邻近图像块语义特征的相似性。
7.如权利要求6所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：所述的损失函数为，
8.如权利要求1所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：所述的步骤（5）中，使用训练数据集训练每个独立解码器，使得解码器估计的概率损失函数最小，其中，概率损失函数为，为KL散度，为特征向量归一化为高斯分布后真实的概率密度，为模型估计的概率密度。
9.如权利要求1所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：所述的步骤（6）中，采用双立方插值对多尺度似然估计结果上采样至输入图像大小，确定缺陷在图像上的区域。
10.如权利要求9所述的基于CFLOW-AD模型的金属带材表面缺陷检测方法，其特征在于：经过CFLOW-AD模型对有缺陷的测试样本进行估计，将得到的每个尺度的对数似然转换为概率值，归一化后，使用双立方插值将上采样至输入图像大小，将所有上采样概率聚合为异常得分图S，得分高的地方即为缺陷所在区域。
...【技术特征摘要】
1.基于cflow-ad模型的金属带材表面缺陷检测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的基于cflow-ad模型的金属带材表面缺陷检测方法，其特征在于：所述步骤（1）中的无缺陷金属带材表面图像和步骤（6）中的有缺陷测试样本图像，均为通过黑白相机采集的金属带材灰度图像。
3.如权利要求1所述的基于cflow-ad模型的金属带材表面缺陷检测方法，其特征在于：所述的步骤（2）中，利用旋转操作、尺度变换操作、镜像翻转操作、高斯模糊处理、亮度变换操作、添加随机椒盐噪声操作和/或mosaic操作，完成对原始数据的数倍扩增。
4.如权利要求1或3所述的基于cflow-ad模型的金属带材表面缺陷检测方法，其特征在于：在所述的步骤（2）中，随机选取部分图像进行直方图均衡化处理，提高对比度，并扩充数据集样本。
5.如权利要求1所述的基于cflow-ad模型的金属带材表面缺陷检测方法，其特征在于：在步骤（3）中，patchsvdd特征提取模型将训练数据集的图像划分为若干个大图像块patchb，再将每个大图像块划分为若干个小图像块patchs，每个大图像块设置层级编码器fb，每个小图像块设置层级编码器fs，隶属于同一大图像块的各小图像块的层级编码器fs共享训练参数权重。
...【专利技术属性】
技术研发人员：王欣刚，付益源，
申请(专利权)人：中科洛阳机器人与智能装备研究院，
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。