基于深度学习的多尺度铝板表面缺陷检测系统及方法

本发明涉及机器视觉检测与工业表面缺陷检测，具体为基于深度学习的多尺度铝板表面缺陷检测系统及方法。

背景技术：

1、目前，铝板表面缺陷视觉检测普遍将采集图像直接输入神经网络进行判别，并通过增强数据或调参来提升稳定性；但现有技术在工业现场中存在以下缺陷：

2、受产线机械微振动及照明波动影响，图像易产生与真实缺陷形态相近的条纹伪影；现有方案多依赖单帧或固定曝光成像，缺乏多时序和多曝光条件下的响应差异信息，导致网络在浅层特征提取时将伪影与真实缺陷混淆，无法对伪影进行有效区分和定向抑制；在环境光衰减、设备老化或线速波动的工况下，固定的强度对齐与特征抑制参数无法动态修正，易造成局部残差失真，导致真实缺陷被压制或漏检；在系统连续运行过程中，现有方案对采集异常、配准误差、运算超时及参数漂移等突发情况缺乏协同处理机制，难以兼顾检测的实时性与准确性。

技术实现思路

1、本发明的目的在于提供基于深度学习的多尺度铝板表面缺陷检测系统及方法，有效区分并定向抑制由机械微振动等引起的光学伪影以降低伪缺陷率，动态修正特征抑制与曝光等参数以避免弱小真实缺陷被过度压制或漏检，且增强对采集异常及运算超时等情况的协同处理能力以提升工业现场适应性。

2、本发明的目的可以通过以下技术方案实现：

3、基于深度学习的多尺度铝板表面缺陷检测方法，包括：在铝板同一次经过检测工位的过程中，由同一成像装置按照第一曝光参数和第二曝光参数依次采集第一铝板表面图像和第二铝板表面图像；

4、对第一铝板表面图像和第二铝板表面图像进行沿铝板在检测工位处输送方向的配准处理，并基于第一曝光参数和第二曝光参数确定的曝光比例系数对配准后的第一铝板表面图像进行强度对齐处理，生成强度对齐图像；

5、计算第二铝板表面图像与强度对齐图像的残差，生成初始残差图，并对初始残差图进行形态学增强处理生成增强残差图，基于增强残差图生成抑制掩膜；

6、以第二铝板表面图像为处理对象，通过卷积特征提取网络提取浅层特征生成浅层特征图，并利用抑制掩膜对浅层特征图执行按位加权处理，生成加权特征图；

7、将加权特征图输入包含多尺度特征融合结构的缺陷检测网络进行特征分析与缺陷判别，生成铝板表面缺陷检测结果。

8、进一步地，对第一铝板表面图像和第二铝板表面图像进行沿铝板在检测工位处输送方向的配准处理，并基于第一曝光参数和第二曝光参数确定的曝光比例系数对配准后的第一铝板表面图像进行强度对齐处理，生成强度对齐图像，具体包括：计算第一铝板表面图像与第二铝板表面图像在输送方向上的亚像素位移量；

9、基于亚像素位移量对第一铝板表面图像进行位置对齐，生成配准后图像；基于配准后图像与第二铝板表面图像的局部灰度关系确定增益补偿参数；

10、基于曝光比例系数和增益补偿参数对配准后图像进行强度补偿，生成强度对齐图像。

11、进一步地，对初始残差图进行形态学增强处理生成增强残差图，基于增强残差图生成抑制掩膜，具体包括：利用二维高斯平滑核对初始残差图进行平滑处理，生成平滑残差图；

12、采用沿铝板输送方向设置的、具有预设长度的线性形态学结构元素对平滑残差图进行形态学增强处理，生成增强残差图；

13、对增强残差图进行归一化处理，生成归一化残差图；基于预设的抑制掩膜最小值对归一化残差图执行指数映射处理，生成抑制掩膜。

14、进一步地，基于预设的抑制掩膜最小值对归一化残差图执行指数映射处理，生成抑制掩膜，包括：基于预设的残差抑制强度系数对归一化残差图在对应位置处的取值执行指数衰减映射，生成对应位置处的初始映射值；

15、将初始映射值与抑制掩膜最小值进行比较，并取较大值作为对应位置处的抑制掩膜取值。

16、进一步地，利用抑制掩膜对浅层特征图执行按位加权处理，生成加权特征图，具体包括：将抑制掩膜重采样至浅层特征图的尺寸，生成重采样抑制掩膜；

17、基于预设特征保留系数，将浅层特征图与重采样抑制掩膜进行加权乘法处理，生成加权特征图。

18、进一步地，基于预设特征保留系数，将浅层特征图与重采样抑制掩膜进行加权乘法处理，生成加权特征图，包括：

19、根据特征保留系数和重采样抑制掩膜生成逐元素加权系数；利用逐元素加权系数对浅层特征图进行逐元素加权，生成加权特征图。

20、进一步地，在铝板连续经过检测工位的过程中多次执行缺陷检测方法，还包括：基于铝板表面缺陷检测结果与人工复核结果，统计预设时间窗口内的伪缺陷率和漏检率；

21、计算预设时间窗口内各增强残差图的单帧残差均值，并计算各单帧残差均值的平均值作为窗口残差均值；

22、按照预设的更新规则，基于窗口残差均值更新曝光比例系数，并基于伪缺陷率和漏检率更新残差抑制强度系数和抑制掩膜最小值。

23、基于深度学习的多尺度铝板表面缺陷检测系统，包括成像装置、处理器和存储器，存储器中存储有指令，指令在处理器执行时实现如下模块：

24、图像采集模块，用于在铝板同一次经过检测工位的过程中，由成像装置按照第一曝光参数和第二曝光参数依次采集第一铝板表面图像和第二铝板表面图像；

25、图像配准与强度对齐模块，用于对第一铝板表面图像和第二铝板表面图像进行沿铝板在检测工位处输送方向的配准处理，并基于第一曝光参数和第二曝光参数确定的曝光比例系数对配准后的第一铝板表面图像进行强度对齐处理，生成强度对齐图像；

26、残差掩膜生成模块，用于计算第二铝板表面图像与强度对齐图像的残差，生成初始残差图，并对初始残差图进行形态学增强处理生成增强残差图，基于增强残差图生成抑制掩膜；

27、特征加权模块，用于以第二铝板表面图像为处理对象，通过卷积特征提取网络提取浅层特征生成浅层特征图，并利用抑制掩膜对浅层特征图执行按位加权处理，生成加权特征图；

28、缺陷检测模块，用于将加权特征图输入包含多尺度特征融合结构的缺陷检测网络进行特征分析与缺陷判别，生成铝板表面缺陷检测结果。

29、进一步地，指令在处理器执行时还实现参数自适应更新模块，用于根据铝板表面缺陷检测结果、人工复核结果及残差统计信息，对曝光比例系数、用于基于增强残差图生成抑制掩膜的残差抑制强度系数和抑制掩膜最小值进行更新；

30、其中，残差统计信息至少包括预设时间窗口内各增强残差图的单帧残差均值及其平均值。

31、本发明的有益效果：

32、1、本发明中基于深度学习的多尺度铝板表面缺陷检测方法，在铝板同一次经过检测工位的过程中，由同一成像装置按照不同曝光参数依次采集同一区域的两帧图像，并对两帧图像沿输送方向进行配准处理，再结合曝光比例系数对配准后的图像进行强度对齐，能够利用同一区域在不同时序和不同曝光条件下的响应差异构建稳定的伪影判别依据，有效区分真实缺陷与由机械微振动引起的光学涟漪伪影，解决了单纯依赖单帧图像或固定曝光成像方式难以稳定抑制伪影、伪缺陷率较高的问题；

33、2、本发明中基于深度学习的多尺度铝板表面缺陷检测方法，通过计算第二铝板表面图像与强度对齐图像的残差生成初始残差图，并进一步采用高斯平滑、沿输送方向设置的线性形态学结构元素以及归一化和指数映射处理生成抑制掩膜，能够突出具有方向连续性的伪影结构，滤除随机噪声和孤立热噪点，使抑制掩膜更加准确地反映伪影空间分布，从而避免直接使用初始残差图导致的底层特征碎片化破坏，提高对振动条纹和波纹状伪影的定向抑制能力；

34、3、本发明中基于深度学习的多尺度铝板表面缺陷检测方法，以第二铝板表面图像为处理对象，通过卷积特征提取网络提取浅层特征图，并将抑制掩膜重采样后作用于浅层特征图进行按位加权处理，再输入包含多尺度特征融合结构的缺陷检测网络进行缺陷判别，能够在浅层视觉特征阶段主动降低伪影区域的通道响应，避免网络将伪影与真实缺陷共同编码，同时借助特征保留系数以及抑制掩膜最小值建立特征底线，防止微弱划痕等真实缺陷被过度清除，从而兼顾伪影抑制效果与弱小真实缺陷的检出能力。