基于深度学习的工业产品表面缺陷检测与分类方法研究

作     者：李欣伦 

作者单位：太原科技大学 

学位级别：硕士

导师姓名：郭宏

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：缺陷检测 分布建模 知识蒸馏 特征融合 注意力机制 

摘      要：在生产过程中,工业产品表面质量检测是必不可少的一环。传统的人工检测已经无法满足生产需求,所以逐渐采用视觉检测方法进行表面缺陷检测。使用这种技术可以减少人为因素,提高检测的准确性和稳定性。虽然视觉检测技术不断进步,但是生产线的智能化升级需求发生了变化,由原来对缺陷的定性检测,变为对缺陷的像素级检测。检测框式的表面缺陷检测技术不能满足目前生产线智能化升级的需求。本文使用深度学习方法,提出满足需求的算法并搭建了缺陷检测与分类系统。论文的主要研究内容和创新点如下: (1)提出了一种基于特征重构与分布建模的知识蒸馏图像异常检测方法。解决了当前基于分布建模方法的检测精度低,漏检误检率高的问题。首先通过知识蒸馏训练学生网络,保持较少的训练时间;其次,设计了特征合成模块优化学生网络结构,从而优化正常样本的描述分布,进而提升检测效果。特征合成模块由特征融合与特征重构组成,其中特征重构采用混合注意力机制;最后,采用公开数据集进行方法的有效性与泛化性验证。该方法在MVTec AD数据集上与基于重构的方法、基于特征嵌入的方法和基于分布建模的方法相比,取得了91.7%的图像级得分和97.1%的像素级得分。在磁瓦数据集上相比取得了92.5%的像素级得分。在两个数据集上均达到最高分数,证明了所提方法的有效性与泛化性。 (2)提出一种工业产品表面缺陷分类算法。解决了实际生产过程中需要对检测到的缺陷进行类别识别的问题。首先,将MVTec AD数据集中的真实标签和检测算法的结果混合,并进行数据增强以制备数据集;其次,在模型改进前,进行基础模型筛选实验,选择了Res Net50作为改进主体;最后改进Res Net50结构,采用一种名为RC的残差连接结构改进Res Net50基本卷积单元的升维部分。并在基于RC结构的Res Net50网络中引入空间注意力机制,由对比试验确定空间注意力结构的最佳改进位置。改进后的算法模型,平均分类准确率达到了90.23%,与原始模型相比,分类效果显著提升。 (3)搭建了工业产品表面缺陷检测与分类系统。检测功能由基于特征重构与分布建模的知识蒸馏图像异常检测算法实现,分类功能由工业产品表面缺陷分类算法实现。使用python编程语言和Py Qt5框架,设计并搭建缺陷检测与分类系统。系统包含用户管理模块、模型训练模块和缺陷检测与分类模块。结合检测实例介绍系统使用过程。