申请/专利权人：清华大学

申请日：2022-02-21

公开（公告）日：2024-04-09

公开（公告）号：CN114529529B

主分类号：G06T7/00

分类号：G06T7/00;G06T5/70;G06T5/60;G06N3/0464;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.06.10#实质审查的生效;2022.05.24#公开

摘要：本申请涉及产品表面缺陷检测技术领域，特别涉及一种基于图像仿真增强的无监督花边布匹表面缺陷检测方法及装置，其中，方法包括：使用工业相机采集花边布匹生产或质检流水线上的连续无缺陷样本图片，采集到的图片数据用作训练数据集；对所采集到数据集进行仿真缺陷添加以及图像增强；使用仿真缺陷图像训练卷积神经网络；在线采集花边布匹生产或质检流水线上的布匹样本图，使用训练好的卷积神经网络模型进行检测，对输出进行后处理，得到缺陷所在区域的检测结果。从而避免了卷积神经网络依赖大量有标注缺陷图样进行训练的缺点，具有很好的鲁棒性。由此，解决了工业生产环境下缺陷样本数目不足，收集周期长等问题。

主权项：1.一种基于图像仿真增强的无监督花边布匹表面缺陷检测方法，其特征在于，包括以下步骤：采集无缺陷的花边布匹图像构建布匹样本数据集；对所述布匹样本数据集中的花边布匹图像进行缺陷增加以及仿真图像增强得到缺陷图像训练数据集；通过所述缺陷图像训练数据集进行卷积神经网络训练，得到进行花边布匹表面缺陷检测的缺陷检测网络模型；在线采集花边布匹图像，通过所述缺陷检测网络模型对在线花边布匹图像进行检测，得到所述在线花边布匹图像的缺陷检测结果；所述对所述布匹样本数据集中的花边布匹图像进行缺陷增加以及仿真图像增强得到缺陷图像训练数据集，进一步包括：通过透射变换从无缺陷花边布匹图像大图中选出变形过的无缺陷花边布匹图像小图，对于所述小图进行HSV空间增强处理、高斯噪声添加处理、高斯滤波处理，得到用于训练的无缺陷花边布匹图像；对于所述无缺陷花边布匹图像添加人工仿真缺陷，得到有缺陷的所述缺陷图像训练数据集；所述缺陷检测网络模型包括基于卷积神经网络的图像重构网络、图像分割网络和图像配准网络，在所述缺陷检测网络模型中，将所述图像配准网络与所述图像重构网络、所述图像分割网络进行相结合，利用图像的纹理信息进行缺陷检测；其中，所述图像分割网络使用所述卷积神经网络提取图像特征，并使用上采样逐层恢复图像分辨率，使用长连接维持图像细节信息，以及使用BCE损失函数用作训练过程的参数更新；所述图像重构网络使用像素误差或者纹理损失作为损失函数；所述图像配准网络使用卷积神经网络提取图像块与参考图像的图像特征，并计算特征图相关系数，通过卷积神经网络解码得到配准关系；所述缺陷检测网络模型使用所述图像重构网络恢复无缺陷样本图，利用恢复无缺陷样本图与输入图像之间的残差，通过预设阈值得到缺陷可能出现的区域；利用所述图像分割网络得到像素点可能位于缺陷区域的概率，通过预设阈值分割出缺陷区域；使用图像配准网络得到待测图像在参考图像中的相对位置，利用相对位置信息进行缺陷检测。

全文数据：

权利要求：

百度查询： 清华大学 基于图像仿真增强的花边布匹表面缺陷检测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD