基于少量缺陷样本的工业缺陷检测方法与流程

技术特征：
1.一种基于少量缺陷样本的工业缺陷检测方法，其特征在于：包括以下步骤，s1、收集缺陷数据和正常数据，对缺陷数据进行像素级标注，获得对应的掩膜mask；s2、对缺陷图像进行抠图融合，形成新的缺陷图像；s3、将生成缺陷图像和原始缺陷图像按类别混合，形成新的数据集；s4、用上述数据集训练深度学习模型，获得训练完成的深度学习模型；s5、使用深度学习模型对测试集进行缺陷检测；s6、得到最终的缺陷检测结果。2.如权利要求1所述的基于少量缺陷样本的工业缺陷检测方法，其特征在于：所述的步骤s1中，在稳定均匀的光照环境下，通过检测平台上的相机获得待检测零部件的图像数据，根据缺陷数据各个类别的分布情况，选择要扩充的缺陷类别对应的缺陷图像和一些正常样本作为融合背景图像。3.如权利要求1所述的基于少量缺陷样本的工业缺陷检测方法，其特征在于：所述的步骤s2包括以下步骤，s21、对目标缺陷数据进行global matting算法抠图，生成对应的图；s22、对缺陷部分进行选择性的形变操作；s23、确定正常样本及缺陷的融合点，进行颜色矫正处理；s24、将缺陷融合到正常图像上，形成缺陷图像。4.如权利要求3所述的基于少量缺陷样本的工业缺陷检测方法，其特征在于：在进行所述的步骤s21之前，根据掩膜mask生成过渡区域；生成过渡区域包括以下步骤，1)对人工标注部分进行腐蚀操作得到第一掩膜，将第一掩膜所在的区域确定为前景f；2)对人工标注部分进行膨胀操作得到第二掩膜，使用第二掩膜减去前景部分得到过渡区域；其中，掩膜mask区域中除了前景和过渡区域之外的部分是背景区域b。5.如权利要求4所述的基于少量缺陷样本的工业缺陷检测方法，其特征在于：所述的步骤s23中，选择正常样本作为背景图像，然后在正常样本上选择一个点作为融合点；根据原始缺陷部分的颜色均值和其周围区域的颜色均值以及融合点周围图像的颜色均值获得调整后缺陷部分颜色的均值。6.如权利要求5所述的基于少量缺陷样本的工业缺陷检测方法，其特征在于：所述的步骤s24中，融合的规则是：

技术总结
本发明涉及一种基于少量缺陷样本的工业缺陷检测方法，包括以下步骤，S1、收集缺陷数据和正常数据，对缺陷数据进行像素级标注，获得对应的掩膜mask；S2、对缺陷图像进行抠图融合，形成新的缺陷图像；S3、将生成缺陷图像和原始缺陷图像按类别混合，形成新的数据集；S4、用上述数据集训练深度学习模型，获得训练完成的深度学习模型；S5、使用深度学习模型对测试集进行缺陷检测；S6、得到最终的缺陷检测结果。本发明在数据受限情况下能够伪造工业缺陷数据，用于增加缺陷样本数量和平衡缺陷类别的数量，最终能够提升深度学习算法的检测效果。终能够提升深度学习算法的检测效果。终能够提升深度学习算法的检测效果。


技术研发人员：都卫东 吴健雄 邱夏青
受保护的技术使用者：征图新视（江苏）科技股份有限公司
技术研发日：2022.05.30
技术公布日：2022/8/12