【技术实现步骤摘要】
本专利技术属于机器视觉检测，具体涉及一种用于工业缺陷检测的通用数据增强方法。
技术介绍
1、随着深度卷积神经网络(dcnn)在图像分类、目标检测、语义分割等典型的计算机视觉任务中均表现出优异的成绩与强大的泛化性能，使得该方法在工业检测领域也逐渐受到了重视。而在基于监督学习的模型中，数据扮演着至关重要的角色，充足的训练数据能够有效的避免模型产生过拟合的情况。数据增强作为提高训练数据的丰富性的有效方法，目前已经成为了深度学习方法中的必要组成部分。但在工业缺陷检测场景中，由于缺陷的产出率低，数据不易采集，使得深度学习方法在工业检测中对数据增强技术的需求更大，同时与常规物体不同，由于缺陷普遍存在着形态多样，纹理信息复杂，背景多变等因素，使得能够有效适用于工业检测场景的数据增强方法十分稀少，至此，如何提出一种适用于工业场景下的数据增强方法成为了目前的一大难点与痛点。
技术实现思路
1、为了克服已有技术的不足，针对现有缺陷图像存在纹理复杂，背景冗余的情况以及传统的数据增强方法对工业缺陷的增强效果不佳等问题，本专利技术提供了一种用于工业缺陷检测的通用数据增强方法，可以促进模型在图像分类任务以及目标检测任务上的学习以及泛化能力，提高模型在缺陷检测任务上的分类以及定位效果。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种用于工业缺陷检测的通用数据增强方法，包括以下步骤：
4、步骤1：读取训练集中的缺陷图像及其对应的类别与位置的标签信息；
5
6、步骤3：设定用于裁切的宽幅参数ρw与ρh，对步骤2中预处理后的图像沿高度方向及宽度方向以设定的裁切宽幅进行裁切处理，生成对应的图像块集合
7、步骤4：对步骤3中裁切后生成的图像块集合中的图像块在高度以及宽度方向上采用隔块拼接的方式进行拼接处理，得到对应的生成图像集合
8、步骤5：在模型的训练过程中以设定的条件及概率开启数据增强，开启后随机在原图像与生成图像中等比例随机选取一幅图像进行训练。
9、进一步，所述步骤2中，对表面缺陷图像进行预处理，使用了基于双边滤波的图像平滑方案，如公式(1)所示：
10、
11、其中ifiltered是滤波之后的像素值，i(x,y)是原始图像中的像素值；
12、wp(x,y)是归一化的权重，用于归一化滤波结果；ω表示滤波器的邻域窗口，是一个固定大小的窗口，wg(i,j,k,l)表示空间域权重函数，用于计算像素之间的空间距离权重，wp(i,j,k,l)表示像素值域权重函数，用于计算像素值之间的相似性权重，如公式(2)和(3)所示：
13、
14、
15、公式(2)与公式(3)均基于高斯函数，其中σr与σα表示高斯函数的标准差，公式(2)中，(i,j)表示领域的中心点，(k,l)表示该领域内的某一点，该点到中心点的距离越远，其权重系数越低；公式(3)中，f(i,j)表示图像在(i,j)处的像素灰度值，f(k,l)为模板窗口中心坐标点的像素灰度值，周围像素灰度值f(i,j)与中心像素灰度值的差异越大，其权重系数越低，最终通过将两个模板相乘就得到了双边滤波器的模板权值；双边滤波可以有效的过滤图像中的离散噪点，同时保留了缺陷边缘信息，实现缺陷图像增强。
16、再进一步，所述步骤3中，对图像进行裁切处理方法的过程为：
17、设定用于裁切的宽幅参数，对图像在高度方向h以及宽度方向w上进行裁切处理，生成对应的图像块集合，如公式(4)所示
18、
19、其中为裁切后的图像块集合，fc为图像裁切函数，x为输入的原图像，为需要生成的图像块数量，定义为：
20、
21、其中，表示原图像的宽度，表示原图像的高度，ρw和ρh分别表示在宽度方向上以及高度方向上裁切的像素宽幅。
22、更进一步，所述步骤4中，对图像进行拼接处理方法的过程为：
23、对步骤3中得到的图像块集合进行选取并拼接，图像块的排列方式为图像块在原图像上的分布进行排列，选取方式采用隔1块的错位方式进行选取，并对选取到的图像在高度方向h以及宽度方向w上进行拼接处理，直到所有图像块均被选取并拼接，获得最终的生成图像集合
24、所述步骤5中，训练过程中以设定的条件及概率开启该数据增强的过程为：在训练阶段随机读取一副图像及其标签信息，判断目标在长度以及宽度上的像素占比是否大于4倍的裁切幅度，若大于则满足启用条件，若不满足则不满足启用条件。所述一定概率开启该数据增强设定为10-50％之间。
25、本专利技术的技术构思为：针对有监督学习在缺陷检测领域中的数据瓶颈问题，考虑到缺陷数据难以获取，缺陷对象标注困难，以及现有的数据增强方法在缺陷检测任务上的效果差，提升不明显等情况，本专利技术提出一种用于工业缺陷检测的通用数据增强方法。通过在公开的缺陷检测数据集上进行了大量的分析验证，证实了该算法的可行性与可靠性。
26、本专利技术的有益效果主要表现在：可以有效的增强缺陷目标的几何多样性，迫使模型通过更少的缺陷像素信息进行推理与学习，增加模型对缺陷的特征感知能力，同时降低复杂背景带来的影响，采用该方案能够很好的满足在工业场景中缺陷检测的精度以及速度要求。
本文档来自技高网...【技术保护点】
1.一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述步骤2中，对表面缺陷图像进行预处理，使用了基于双边滤波的图像平滑方案，如公式(1)所示：
3.如权利要求1或2所述的一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述步骤3中，对图像进行裁切处理方法的过程为：
4.如权利要求1或2所述的一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述步骤4中，对图像进行拼接处理方法的过程为：
5.如权利要求1或2所述的一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述步骤5中，训练过程中以设定的条件及概率开启该数据增强的过程为：在训练阶段随机读取一副图像及其标签信息，判断目标在长度以及宽度上的像素占比是否大于4倍的裁切幅度，若大于则满足启用条件，若不满足则不满足启用条件；所述一定概率开启该数据增强设定为10-50％之间。
【技术特征摘要】
1.一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述步骤2中，对表面缺陷图像进行预处理，使用了基于双边滤波的图像平滑方案，如公式(1)所示：
3.如权利要求1或2所述的一种用于工业缺陷检测的通用数据增强方法，其特征在于，所述步骤3中，对图像进行裁切处理方法的过程为：
4.如权利要求1或2所述的一种用于...
【专利技术属性】
技术研发人员：胡海根，洪景山，朱金伟，陈琦，
申请(专利权)人：浙江工业大学，
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。