复杂图案工业产品多尺度表面缺陷视觉检测方法研究
作者单位:广东工业大学
学位级别:硕士
导师姓名:王涛
授予年度:2022年
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程]
主 题:缺陷检测 低光增强 多尺度特征提取 小样本学习 微调
摘 要:缺陷检测方法作为一种图像视觉检测任务的实现方式,是工业产品生产流程中进行质量把控的一种重要方法。随着视觉检测技术的发展,缺陷检测方法取得了一些进展。但是工业产品表面缺陷检测方法仍然存在一些待解决的问题。例如,工业产品表面的图案样式复杂以及产品缺陷的尺度具有多样性,导致现有的缺陷检测方法存在检测精度不高的问题。此外,由于工业生产过程中新产品的更新速度快,因此难以收集和制作足量的缺陷图像数据集以供视觉检测模型的训练使用。本文主要研究复杂图案工业产品多尺度表面视觉检测方法,针对目前缺陷检测方法中存在的问题,本文分别提出了融合深层网络低光增强的多尺度缺陷检测方法和基于微调的小样本缺陷检测方法。本文的具体研究内容可概括为以下两点:(1)本文提出LE-MSFE-DDNet缺陷检测模型,实现复杂图案与多尺度工业产品的表面缺陷检测。针对缺陷图像中复杂的图案容易与缺陷混淆的问题,采用深层网络低光增强模块提升模型的光照适应能力,提高模型对复杂图案和缺陷的分辨精度。同时,针对缺陷图像中缺陷尺度不同的问题,将通道注意力模块融入多尺度特征提取网络中,以增强模型的多尺度特征提取能力,从而提升模型对多尺度缺陷的泛化性能。实验结果表明,本文方法能够解决复杂图案与缺陷混淆以及缺陷尺度不一致的问题从而提升模型的缺陷检测能力。(2)本文提出构建基于微调的小样本缺陷检测模型,以解决图像样本数据量不足的问题。首先,通过基础的两阶段目标检测框架构建初始模型,并基于基础数据集进行初始模型的训练,使模型具有对基础数据集的检测能力。然后,冻结初始模型主干网络的特征参数为目标模型的训练阶段做准备。同时,引入基于余弦相似度的分类器用于提升目标模型对新类别的分类能力。最后,基于新增小样本图像数据集训练目标模型,最终得到已训练的小样本缺陷检测模型,实现了小样本下的缺陷检测。实验表明,本文基于微调的小样本缺陷检测模型能够通过样本数量较少的图像数据集学习到新的图像特征而使模型对新类别具有分类能力,从而完成了在稀少图像样本的条件下的缺陷检测任务。