论文部分内容阅读
在太阳电池片、胶囊、纺织品、液晶显示屏等许多工业产品生产中，表面缺陷检测是保障产品质量的必须环节。随着自动化水平的提高和劳动力成本的上升，应用自动检测技术取代传统的人工检测是必然趋势。与人工检测相比，基于机器视觉的产品表面缺陷检测能够满足流水线不间歇生产和100%的产品检测要求，具有检测精度高、稳定性和可靠性好等优点。然而，现有的表面缺陷检测方法多研究特定产品表面缺陷的检测，缺乏通用性，其检测精度还不能满足工业应用要求。随着信息化和工业化的深度融合，企业面临从少品种、大批量的生产模式向多品种、小批量、个性化生产的智能制造方式转变，因此迫切需要具有通用性、学习性且检测精度高的智能检测方法。
本文围绕表面缺陷检测中的系列问题，从缺陷检测模型构建和缺陷数据增强两个方面开展研究工作。在缺陷检测模型构建方面，将深度学习模型和视觉注意机制引入缺陷检测中，分别提出了基于深度信念网络、区域卷积神经网络以及深度孪生网络的缺陷检测模型。在缺陷数据增强方面，从缺陷数据生成的角度进行了研究，提出了基于生成对抗网络的缺陷自动生成算法。论文主要工作和创新如下：
1.针对缺陷检测中常见的模板不明确、难重构、训练样本少等问题，本文提出了基于深度信念网络和迁移学习的缺陷检测算法。该方法通过深度信念网络自动对缺陷数据特征进行拟合表征，从训练样本中学习得到与无缺陷模板之间的映射关系，无需人工设计就可以较为完整地获得重构图像。基于深度信念网络的缺陷检测算法在得到无缺陷重构模板后，通过待检测图像与重构图像的差影运算进行缺陷判别。该方法可以较好地重构不含缺陷信息的模板，检测速度快，能够实现在线检测。
2.针对表面缺陷检测中具有旋转、平移不变性的多尺度缺陷特征表征学习问题，提出了基于区域卷积神经网络的表面缺陷检测算法。基于区域卷积神经网络的缺陷检测是一个端到端的检测模型，将缺陷识别检测问题转化成了缺陷特征逐层抽象表征和深度神经网络目标函数优化的问题。该方法提高了缺陷检测任务的准确度，不仅能够判别有无缺陷，也能够对缺陷进行识别和定位。
3.针对复杂背景对微小缺陷和低对比度缺陷的干扰问题，将人眼视觉注意机制引入到表面缺陷检测中，在基于区域卷积神经网络的缺陷检测框架基础上增加视觉注意机制，提出了基于视觉注意机制的缺陷检测算法，构建视觉注意机制的深度孪生网络计算模型。视觉注意机制能够突出显著信号同时过滤冗余信息，有助于抑制杂乱背景，确定缺陷目标区域。基于视觉注意机制的缺陷检测算法不仅能够检测出常见缺陷，对于微小缺陷和低对比度缺陷也能够获得满意的结果。
4.针对缺陷类别不均衡，缺陷样本数据匮乏的问题，从数据生成的角度研究了缺陷数据的自动生成，提出了基于生成对抗网络的缺陷自动生成算法。该方法使用无缺陷样本图像和缺陷域信息编码作为生成器的输入，生成包含各种缺陷的缺陷样本。该方法实现了缺陷背景精细局部结构的重构和缺陷的生成，提高了生成缺陷的自然度。生成的缺陷样本与原缺陷样本混合训练缺陷检测网络，与判别网络进行对抗学习提高识别缺陷的能力，从而在一定程度上解决了缺陷类别不平衡问题，为基于深度学习的缺陷检测模型提供有力的支撑。
本文围绕表面缺陷检测中的系列问题，从缺陷检测模型构建和缺陷数据增强两个方面开展研究工作。在缺陷检测模型构建方面，将深度学习模型和视觉注意机制引入缺陷检测中，分别提出了基于深度信念网络、区域卷积神经网络以及深度孪生网络的缺陷检测模型。在缺陷数据增强方面，从缺陷数据生成的角度进行了研究，提出了基于生成对抗网络的缺陷自动生成算法。论文主要工作和创新如下：
1.针对缺陷检测中常见的模板不明确、难重构、训练样本少等问题，本文提出了基于深度信念网络和迁移学习的缺陷检测算法。该方法通过深度信念网络自动对缺陷数据特征进行拟合表征，从训练样本中学习得到与无缺陷模板之间的映射关系，无需人工设计就可以较为完整地获得重构图像。基于深度信念网络的缺陷检测算法在得到无缺陷重构模板后，通过待检测图像与重构图像的差影运算进行缺陷判别。该方法可以较好地重构不含缺陷信息的模板，检测速度快，能够实现在线检测。
2.针对表面缺陷检测中具有旋转、平移不变性的多尺度缺陷特征表征学习问题，提出了基于区域卷积神经网络的表面缺陷检测算法。基于区域卷积神经网络的缺陷检测是一个端到端的检测模型，将缺陷识别检测问题转化成了缺陷特征逐层抽象表征和深度神经网络目标函数优化的问题。该方法提高了缺陷检测任务的准确度，不仅能够判别有无缺陷，也能够对缺陷进行识别和定位。
3.针对复杂背景对微小缺陷和低对比度缺陷的干扰问题，将人眼视觉注意机制引入到表面缺陷检测中，在基于区域卷积神经网络的缺陷检测框架基础上增加视觉注意机制，提出了基于视觉注意机制的缺陷检测算法，构建视觉注意机制的深度孪生网络计算模型。视觉注意机制能够突出显著信号同时过滤冗余信息，有助于抑制杂乱背景，确定缺陷目标区域。基于视觉注意机制的缺陷检测算法不仅能够检测出常见缺陷，对于微小缺陷和低对比度缺陷也能够获得满意的结果。
4.针对缺陷类别不均衡，缺陷样本数据匮乏的问题，从数据生成的角度研究了缺陷数据的自动生成，提出了基于生成对抗网络的缺陷自动生成算法。该方法使用无缺陷样本图像和缺陷域信息编码作为生成器的输入，生成包含各种缺陷的缺陷样本。该方法实现了缺陷背景精细局部结构的重构和缺陷的生成，提高了生成缺陷的自然度。生成的缺陷样本与原缺陷样本混合训练缺陷检测网络，与判别网络进行对抗学习提高识别缺陷的能力，从而在一定程度上解决了缺陷类别不平衡问题，为基于深度学习的缺陷检测模型提供有力的支撑。