公开(公告)号：CN115018790A

公开(公告)日：2022-09-06

申请号：CN202210634714.2

申请日：2022-06-07

Applicant: 华北电力大学

Inventor： 王素琴 ,  任琪 ,  石敏 ,  朱登明 ,  杜昊晨 ,  程成

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/136 ,  G06T7/70 ,  G06T3/00 ,  G06T5/00 ,  G06T11/00 ,  G06V10/40 ,  G06V10/74 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于异常检测的工件产品表面缺陷检测方法，其包括：步骤1：研究生产线实际制造的工件表面特征，确定合格工件标准，通过该标准判别工件合格与否；步骤2：基于特定光源和工业相机采集工件表面图像，图像经过裁剪、滤波等处理后形成数据集；步骤3：基于异常检测技术对步骤2中制作好的数据集构建工件表面缺陷检测模型，该模型使用卷积神经网络提取合格工件表面图像不同大小尺度的特征，并结合多尺度区域特征生成器和掩码自编码器，重建合格工件的表面图像，由于模型并未学习过不合格工件的表面图像，因此不合格工件表面图像的特征分布与模型先前学习到的分布差距甚大，通过比较重建前后图像的差异，该检测模型能够检测表面图像中是否存在缺陷以及定位出缺陷位置。发明所提出的方法解决了在工业制造中人工目视检测效率低、不稳定且成本高、传统图像处理检测方法泛化性差以及基于深度学习的目标检测或分割需要大量带标签缺陷数据的问题，该方法符合工业生产工件中合格样本多而缺陷样本少的特点，能够实现高精度的实时表面缺陷检测。