一种基于小样本的冲压件表面缺陷检测方法

1.本发明涉及冲压件表面缺陷检测技术领域，尤其涉及一种基于小样本的冲压件表面缺陷检测方法。


背景技术：

2.随着当今社会科技和工业的迅速发展，人们生活质量的大大提高，国家对各种工业产品提出的要求也越来越严格。传统的工业生产制造，由于研究技术的限制，仍然采用人工检测为主的缺陷检测方法检测产品表面的缺陷，这种方法由于人工的限制和技术的落后，不仅检测产品的速度慢、效率低下、耗费大量人工成本，而且在检测的过程中，由于缺陷的随机性，缺陷的类型多样，大小不一，很多工件上的细微缺陷无法被人工检测到，很容易出现缺陷漏检、错检的情况。
3.当今社会，随着科学技术的发展，人工智能等科学技术的出现和发展，以及研究的深入，在图像缺陷检测领域出现了基于机器视觉的图像表面缺陷检测技术，在高度自动化的生产场景中，产品的良率特别高，收集缺陷样本非常耗时，而当前的用于缺陷检测的深度学习方法大多是基于大量缺陷样本建立模型，缺陷样本的缺乏导致模型难以上线。
4.基于小样本的缺陷检测方法，该技术的出现大大提高了检测工作的效率，减少了算法对样本的依赖，被广泛利用于马路隧道工程检测、工件表面质量检测、航空航天领域，该技术避免了人工检测存在的主观判断的不准确性。但该方法在图像细微缺陷检测方面效果不是很好，产品的细小瑕疵无法被准确检测出来。


技术实现要素：

5.针对现有技术的不足，本发明提供了一种基于小样本的冲压件表面缺陷检测方法，解决了现有技术中在图像细微缺陷检测漏检率高以及细小瑕疵无法被准确检测出来的问题，本发明能对冲压件表面的细小缺陷进行准确检测，进一步减少了缺陷检测的漏检率，解决了人工细微缺陷检测漏检率高、准确度低的问题，减少了传统的缺陷检测对样本的依赖，提高了细微缺陷检测的精准度和高效性。
6.为解决上述技术问题，本发明提供了如下技术方案：一种基于小样本的冲压件表面缺陷检测方法，包括以下步骤：s1、采用ccd相机获取待测图像数据i；s2、采用基于图像逆映射的对比度增强网络对待测图像数据i预处理得到增强后的全分辨率图像p；s3、将全分辨率图像p输入至改进型ssd-net检测网络中，并结合损失函数l对改进型ssd-net检测网络训练；s4、使用训练后的改进型ssd-net检测网络对冲压件表面图像进行缺陷检测。
7.进一步地，在步骤s2中，采用基于图像逆映射的对比度增强网络对待测图像数据预处理得到增强后的全分辨率图像p，具体过程包括以下步骤：
s21、对待测图像数据i下采样并编码成特征图，提取局部和全局特征并将它们串联起来，得到预测的低分辨率逆映射图组；s22、使用基于双边网格对预测的低分辨率逆映射图组上采样，产生全分辨率映射图组s，将全分辨率映射图组s与输入待测图像数据i的每个像素点相乘，得到增强后的全分辨率图像p。
8.进一步地，改进型ssd-net检测网络包括由骨干网络和gga模块组成，骨干网络由五个编码块组成，在前两个编码块中嵌入注意力机制，每个编码块由一个注意力单元和两个串联的卷积层并联组成。
9.进一步地，在骨干网络的后三个编码块中，每个编码块由四个卷积核大小为3
×
3的卷积层串联而成。
10.进一步地，gga模块由锚点预测区和特征适应区两部分组成，锚点预测区由两个分支组成，分别为位置预测分支和形状预测分支。
11.进一步地，在步骤s3中，将全分辨率图像p输入至改进型ssd-net检测网络中，并结合损失函数l对改进型ssd-net检测网络训练，具体过程包括以下步骤：s31、将增强后的全分辨率图像p输入改进型ssd-net检测网络的第一个编码块1，求取输入un的通道描述符xn，xn经过两个全连接得到特征描述符xn’； s32、使用sigmoid函数将xn’的值限制到[0，1]的范围，得到每通道调制权值集合的权重s；s33、对un做卷积得到un’，权重s应用到特征映射un’上得到输出特征u，作为下一个编码块的输入；s34、将输出特征u输入编码块3、4、5中进行卷积操作得到维数相同的特征图；s35、将得到的特征图串联得到特征图组fp；s36、将特征图组fp输入gga模块的锚点预测区得到目标检测框的宽和高；s37、将目标检测框的宽和高输入gga模块的特征适应区得到新的特征图fp’； s38、确定损失函数l，损失函数l包括分类损失、回归损失、锚点定位损失和锚点形状预测损失；s39、根据新的特征图fp’和损失函数l对改进型ssd-net检测网络进行训练。
[0012]
借由上述技术方案，本发明提供了一种基于小样本的冲压件表面缺陷检测方法，至少具备以下有益效果：1、本发明在获取目标检测品的图像后，能够准确检测出图像中的细微缺陷，解决现有技术中图像细微缺陷检测漏检率高以及细小瑕疵无法被准确检测出来的问题，进一步提高缺陷检测的准确率。
[0013]
2、本发明能对冲压件表面的细小缺陷进行准确检测，进一步减少了缺陷检测的漏检率，解决了人工细微缺陷检测漏检率高、准确度低的问题，减少了传统的缺陷检测对样本的依赖，提高了细微缺陷检测的精准度和高效性。
附图说明
[0014]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本发明冲压件表面缺陷检测方法的流程图；图2为本发明基于图像逆映射的对比度增强网络的网络结构图；图3为本发明改进型ssd-net检测网络的网络结构图；图4为本发明ccd相机获取待测物表面图像信息的示意图；图5为本发明采用冲压件表面缺陷检测方法检测图4的结果示意图。
具体实施方式
[0015] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本技术如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
[0016]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0017]
请参照图1-图5，示出了本实施例的一种具体实施方式，本实施例在获取目标检测品的图像后，能够准确检测出图像中的细微缺陷，解决现有技术中图像细微缺陷检测漏检率高以及细小瑕疵无法被准确检测出来的问题，进一步提高缺陷检测的准确率。
[0018]
请参照图1，本实施例提出了一种基于小样本的冲压件表面缺陷检测方法，包括以下步骤：s1、采用ccd相机获取待测图像数据i；s2、采用基于图像逆映射的对比度增强网络对待测图像数据i预处理得到增强后的全分辨率图像p，能够提高待测图像数据的对比度；请参照图2，在步骤s2中，采用基于图像逆映射的对比度增强网络对待测图像数据预处理得到增强后的全分辨率图像p，具体过程包括以下步骤：s21、对待测图像数据i下采样并编码成特征图，提取局部和全局特征并将它们串联起来，得到预测的低分辨率逆映射图组；s22、使用基于双边网格对预测的低分辨率逆映射图组上采样，产生全分辨率映射图组s，将全分辨率映射图组s与输入待测图像数据i的每个像素点相乘，得到增强后的全分辨率图像p。
[0019]
s3、将全分辨率图像p输入至改进型ssd-net检测网络中，并结合损失函数l对改进型ssd-net检测网络训练；改进后的ssd-net检测网络包括由骨干网络和gga模块组成，骨干网络由五个编码块组成，在前两个编码块中嵌入注意力机制，每个编码块由一个注意力单元和两个串联的卷积层并联组成；在后三个编码块中，每个编码块由四个卷积核大小为3
×
3的卷积层串联而成；
gga模块由锚点预测区和特征适应区两部分组成，锚点预测区由两个分支组成，分别为位置预测分支和形状预测分支；请参照图3，在步骤s3中，将全分辨率图像p输入至改进型ssd-net检测网络中，并结合损失函数l对改进型ssd-net检测网络训练，具体过程包括以下步骤：s31、将增强后的全分辨率图像p输入改进型ssd-net检测网络的第一个编码块1，求取输入un的通道描述符xn，xn经过两个全连接得到特征描述符xn’； s32、使用sigmoid函数将xn’的值限制到[0，1]的范围，得到每通道调制权值集合的权重s；s33、对un做卷积得到un’，权重s应用到特征映射un’上得到输出特征u，作为下一个编码块的输入，把重要的特征增强，不重要的特征减弱，从而让提取的特征指向性更强；通道描述符xn的计算公式为：权重s的计算公式为：输出特征u的计算公式为：上式中，h和w是un的空间维度，为relu函数，g为sigmoid函数。
[0020]
s34、将输出特征u输入编码块3、4、5中进行卷积操作得到维数相同的特征图；输出特征u经过编码块3、4、5的3个卷积核组得到的特征映射分别进行上采样得到维数相同的特征图。
[0021]
s35、将得到的特征图串联得到特征图组fp，此操作可以在较低的层中收集丰富的位置信息，在较高的层中收集较强的语义信息；s36、将特征图组fp输入gga模块的锚点预测区得到目标检测框的宽和高；将特征图组fp输入gga模块，gga模块由锚点预测区和特征适应区两部分组成。检测框的位置和形状用(x，y，w，h)形式的4元组来表征，(x，y)是中心的空间坐标，w是宽度，h是高度。
[0022]
锚点预测区由两个分支组成，位置预测分支对特征图fp进行1
×
1卷积，获得目标度评分图，然后通过元素的sigmoid函数将其转换为概率值输出一个与输入特征图fp大小相同的概率预测图，概率值高于预定义阈值l的锚点认为是前景点，对于，锚点位置（i，j）在输入图像上对应的位置为。形状预测分支对特征图fp进行1
×
1卷积，生成dw和dh，然后将其映射到(w，h)，由此得到目标检测框的宽w和高h，映射公式为：
其中k是步长，是经验比例因子。
[0023]
s37、将目标检测框的宽和高输入gga模块的特征适应区得到新的特征图fp’；具体的，将锚点预测区得到的宽和高输入特征适应区，宽和高用一个2通道的特征图表示，在2通道的特征图上运用3
×
3的可变卷积层，得到第i个位置自适应后的特征，即对原始的特征图fp进行可变卷积操作，得到新的特征图fp’。
[0024]
第i个位置自适应后的特征表示为：其中，lt为3
×
3可变形卷积，其中是第i个位置的特征，和是对应的锚点形状。
[0025]
s38、确定损失函数l，损失函数l包括分类损失、回归损失、锚点定位损失和锚点形状预测损失；具体的，损失函数l的计算公式如下：其中：其中：表示一个batch中正样本数量，表示一个batch中负样本数量。
[0026][0026]
为预定义的边界框的宽和高，w，h预测的边界框的宽和高，为
smooth l1 loss，，表示第i个边界框的回归参数。
[0027]
为正则化参数，取。
[0028]
s39、根据新的特征图fp’和损失函数l对改进型ssd-net检测网络进行训练。
[0029] s4、使用训练后的改进型ssd-net检测网络对冲压件表面图像进行缺陷检测。
[0030]
请参照图4，为ccd相机获取待测物表面图像信息的示意图，示例性的，对于测物表面图像通过本实施例所提供的冲压件表面缺陷检测方法进行检测，得到如图5所示的检测结果，能对冲压件表面的细小缺陷进行准确检测，进一步减少了缺陷检测的漏检率，解决了人工细微缺陷检测漏检率高、准确度低的问题，减少了传统的缺陷检测对样本的依赖，提高了细微缺陷检测的精准度和高效性。
[0031]
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。