齊宇霄，王 正，謝 輝，唐 倩，童 瑩

（南京工程學(xué)院 信息與通信工程學(xué)院，江蘇 南京 211167）

0 引 言

表面缺陷檢測對工業(yè)生產(chǎn)而言至關(guān)重要，缺陷檢測通常是指對物品表面缺陷進(jìn)行檢測。傳統(tǒng)缺陷檢測通過人眼檢查，費(fèi)時(shí)費(fèi)力，效率低下，檢測精度難以達(dá)標(biāo)。

近幾年，隨著機(jī)器視覺的興起，表面缺陷檢測隨之發(fā)生變化，使用機(jī)器視覺系統(tǒng)代替人類視覺系統(tǒng)大大提高了檢測效率和檢測精度。傳統(tǒng)圖像特征提取算子處于較低水平，在很多情況下提取的特征無法處理，因此很多算法并不適用。最近，深度學(xué)習(xí)在圖像特征提取方面展現(xiàn)出其優(yōu)勢，卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)分類與定位、語義分割等精度較高。

Faghih-Roohi等[1]使用深度卷積神經(jīng)網(wǎng)絡(luò)在軌道表面執(zhí)行缺陷檢測。將軌道圖像分為6類，包括1類非缺陷圖像和5類缺陷圖像，之后使用DCN對它們再次分類。LIU等提出了兩階段方法[2]，該方法將選擇性搜索和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，檢測并識別獲得的區(qū)域，然后完成對膠囊表面缺陷的檢測。Yu等[3]使用2個(gè)FCN語義分割網(wǎng)絡(luò)檢測缺陷[4]，其中一個(gè)為粗略定位，另一個(gè)為精細(xì)定位，由此準(zhǔn)確繪制缺陷的輪廓，該方法在DAGM 2007數(shù)據(jù)集[5]上比原始FCN具有更高的精度，并可以實(shí)時(shí)完成[6]。

工業(yè)檢測應(yīng)用在實(shí)際當(dāng)中時(shí)，因訓(xùn)練樣本中的缺陷較少，因此難以事先收集全面的缺陷樣型。所以，在訓(xùn)練過程中正樣本和負(fù)樣本的數(shù)量極不平衡，生成的模型可能不穩(wěn)定或無效。同時(shí)，手動貼標(biāo)簽價(jià)格昂貴，因此難以在實(shí)際缺陷檢測過程中采用。由于缺陷種類不同，且檢測標(biāo)準(zhǔn)和質(zhì)量指標(biāo)也不同，這就需要針對特定需求手動標(biāo)記大量訓(xùn)練樣本，因此人力需求較大。

針對該問題，本文設(shè)計(jì)了一種基于正樣本的產(chǎn)品缺陷檢測方法。首先，需要在已有正樣本中構(gòu)建簡單的缺陷特征，形成自構(gòu)建負(fù)樣本。之后，將自構(gòu)建負(fù)樣本放入自動編碼器，恢復(fù)缺陷特征，實(shí)現(xiàn)對自動編碼器的訓(xùn)練。然后，將測試集中的真實(shí)負(fù)樣本放入訓(xùn)練好的自動編碼器進(jìn)行缺陷修復(fù)，生成修復(fù)樣本。最后，使用LBP算法將修復(fù)樣本與真實(shí)缺陷樣本的LBP特征圖相減得到差值特征圖，再將差值特征圖二值化，得到缺陷區(qū)域坐標(biāo)。該方法無需手動粘貼標(biāo)簽，無需大量負(fù)樣本進(jìn)行訓(xùn)練，缺陷檢測精度高、效率高，對工業(yè)檢測的實(shí)際應(yīng)用有很大參考價(jià)值。

1 網(wǎng)絡(luò)介紹及算法流程

1.1 算法流程

系統(tǒng)訓(xùn)練流程和測試流程分別如圖1、圖2所示。

圖1 訓(xùn)練流程

圖2 測試流程

1.2 Autoencoder自動編碼器

Autoencoder（簡稱AE）[7]是一種可以以無監(jiān)督方式進(jìn)行學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)。早期，自編碼器被用于解決表征學(xué)習(xí)中的編碼問題，其結(jié)構(gòu)如圖3所示。

圖3 自編碼器結(jié)構(gòu)

自編碼器結(jié)構(gòu)簡單，訓(xùn)練時(shí)無需標(biāo)簽，輸出數(shù)據(jù)與輸入數(shù)據(jù)基本可保持一致，所以自編碼器是一種無監(jiān)督算法。重建輸入的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程，其隱藏層向量具有降維作用。編碼器會創(chuàng)建一個(gè)隱藏層（或多個(gè)隱藏層），包含有輸入數(shù)據(jù)含義的低維向量。解碼器通過隱藏層的低維向量重建輸入數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，AE在隱藏層中得到一個(gè)代表輸入數(shù)據(jù)的低維向量，幫助數(shù)據(jù)進(jìn)行分類、可視化顯示、存儲。

為了能讓網(wǎng)絡(luò)更好地處理圖像類的輸入數(shù)據(jù)，我們用卷積層和反卷積層替換了自編碼器中的全連接層，自編碼器結(jié)構(gòu)如圖4所示。

圖4 自編碼器結(jié)構(gòu)

用卷積的思想替換全連接層，可以大大減少網(wǎng)絡(luò)架構(gòu)的參數(shù)，同時(shí)卷積可以更好地學(xué)習(xí)圖像特征（具有平移不變性）。一般的卷積神經(jīng)網(wǎng)絡(luò)在卷積層之后接池化層，但這往往會遺漏很多圖像信息，為改善這一現(xiàn)象，我們設(shè)置卷積核的步長為2。逐層卷積后，圖像尺寸越來越小，所以在網(wǎng)絡(luò)后部分使用反卷積方法，逐漸將特征圖融合復(fù)原成原始尺寸，通過訓(xùn)練盡可能讓輸出接近原始圖像。損失函數(shù)計(jì)算：

1.3 LBP算子

局部二值模式（Local Binary Pattern, LBP）是用于描述圖像局部紋理特征的算子，具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn)。它首先由T. Ojala，M.Pietikainen于1994年[8]提出，用于紋理特征提取。

傳統(tǒng)的LBP算子定義在3×3窗口內(nèi)，以窗口中心像素為閾值，將相鄰8個(gè)像素的灰度值與其進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3×3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生相應(yīng)的二進(jìn)制數(shù)（通常轉(zhuǎn)換為十進(jìn)制數(shù)，即LBP碼，共256種），之后得到該窗口中心像素點(diǎn)的LBP值，并用該值反映該區(qū)域的紋理信息。LBP計(jì)算如圖5所示。

圖5 LBP計(jì)算

提取LBP特征向量的步驟如下：

（1）首先將檢測窗口劃分為16×16的小區(qū)域（cell）。

（2）對于每個(gè)cell中的像素，將相鄰8個(gè)像素的灰度值與其進(jìn)行比較，得到該窗口中心像素點(diǎn)的LBP值。

（4）將得到的每個(gè)cell的統(tǒng)計(jì)直方圖連接成為一個(gè)特征向量，即整幅圖的LBP紋理特征向量。

圖6所示為本文模型使用LBP求缺陷位置的流程。

圖6 利用LBP求缺陷位置的流程

2 訓(xùn)練策略

2.1 訓(xùn)練模塊

在訓(xùn)練過程中，輸入訓(xùn)練集中給定的正樣本，在正樣本上人工構(gòu)建缺陷，形成缺陷樣本。然后將缺陷樣本放入自動編碼器中訓(xùn)練其修復(fù)能力。本次實(shí)驗(yàn)使用“征圖杯”人工智能大賽數(shù)據(jù)來測試實(shí)驗(yàn)?zāi)Ｐ偷男阅?，?shù)據(jù)集為平坦區(qū)下的缺陷數(shù)據(jù)集與非缺陷數(shù)據(jù)集。其中，訓(xùn)練集全為正樣本，測試集既有負(fù)樣本也有正樣本。訓(xùn)練流程如圖7所示，使用自構(gòu)建負(fù)樣本訓(xùn)練自動編碼器的效果如圖8所示。

圖7 訓(xùn)練流程

圖8 使用自構(gòu)建負(fù)樣本訓(xùn)練自動編碼器的效果

2.2 測試模塊

測試過程中，將測試圖片真實(shí)負(fù)樣本輸入自動編碼器中，得到生成的修復(fù)樣本（若判別為正樣本則直接輸出），由于還原的圖片細(xì)節(jié)信息存在一些錯(cuò)誤，因此不應(yīng)直接將還原圖片與原始圖片進(jìn)行分割。使用LBP算法進(jìn)行特征提取，然后在每個(gè)像素周圍搜索最匹配的像素。LBP算法是一種非參數(shù)算法，具有光不變性特征，適用于密集點(diǎn)環(huán)境。獲取有缺陷圖片的步驟：通過LBP算法對真實(shí)負(fù)樣本和修復(fù)樣本進(jìn)行處理，設(shè)得到的特征圖為x和y。對于x的每個(gè)像素點(diǎn)，在y的對應(yīng)位置搜索最近的特征值點(diǎn)，該點(diǎn)作為匹配點(diǎn)的像素點(diǎn)。得到2個(gè)匹配點(diǎn)特征值之差的絕對值，獲得的值越小，該點(diǎn)成為缺陷的可能性就越低。使用固定閾值二值化進(jìn)行處理[9]，找到缺陷的位置。測試流程如圖9所示，測試效果如圖10所示。

圖9 測試流程

圖10 測試效果

3 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)基于Keras深度學(xué)習(xí)框架，采用Python語言，選擇首屆“征圖杯”校園機(jī)器視覺人工智能大賽的初賽A榜數(shù)據(jù)集[10]，在只使用給定正樣本數(shù)據(jù)集訓(xùn)練的情況下，檢測出給定正樣本與負(fù)樣本混合的測試集缺陷樣本。實(shí)驗(yàn)將同時(shí)使用本文提出的網(wǎng)絡(luò)模型與傳統(tǒng)的圖像邊緣檢測（使用Sobel算子）加填充的方法對缺陷區(qū)域進(jìn)行檢測，對比模型的效果優(yōu)劣。數(shù)據(jù)信息見表1所列。結(jié)果對比如圖11所示。

表1 數(shù)據(jù)信息

圖11 結(jié)果對比

從測試模塊中得到的效果圖像結(jié)果可以看出，我們的模型對于缺陷區(qū)域檢測的檢測精度較傳統(tǒng)的檢測方法更高。此外，分別計(jì)算2個(gè)模型測試得到的缺陷標(biāo)簽圖與缺陷真實(shí)標(biāo)簽的交并比和漏檢率與過檢率之和，比較2種模型的優(yōu)劣。標(biāo)簽對比結(jié)果如圖12所示。測試結(jié)果比較見表2所列。

圖12 標(biāo)簽對比結(jié)果

表2 測試結(jié)果比較 %

實(shí)驗(yàn)表明，在只有正樣本作為訓(xùn)練集的情況下，我們的模型與傳統(tǒng)方法相比，在缺陷區(qū)域檢測精度上有很大優(yōu)勢?？梢钥闯?，對于傳統(tǒng)的邊緣檢測加填充的方法，樣本分類存在很多缺點(diǎn)，自動編碼器與LBP結(jié)合的模型效果更好。

4 結(jié) 語

本文提出的基于正樣本的產(chǎn)品缺陷檢測方法對于只有正樣本作為訓(xùn)練集且背景較平坦的缺陷檢測有著不錯(cuò)的效果，該方法無需手動設(shè)置標(biāo)簽，無需大量負(fù)樣本訓(xùn)練，在缺少負(fù)樣本的情況下缺陷檢測精度和效率更高。