CN112070727B - 一种基于机器学习的金属表面缺陷检测方法 - Google Patents

一种基于机器学习的金属表面缺陷检测方法 Download PDF

Info

Publication number
CN112070727B
CN112070727B CN202010848011.0A CN202010848011A CN112070727B CN 112070727 B CN112070727 B CN 112070727B CN 202010848011 A CN202010848011 A CN 202010848011A CN 112070727 B CN112070727 B CN 112070727B
Authority
CN
China
Prior art keywords
matrix
feature vector
dimensional
feature
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202010848011.0A
Other languages
English (en)
Other versions
CN112070727A (zh
Inventor
康波
刘露
李云霞
张之楠
王冰峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010848011.0A priority Critical patent/CN112070727B/zh
Publication of CN112070727A publication Critical patent/CN112070727A/zh
Application granted granted Critical
Publication of CN112070727B publication Critical patent/CN112070727B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器学习的金属表面缺陷检测方法，首先将一定数量的缺陷图像数据集输入VGG16模型前两个卷积层得到缺陷图像的特征图，对特征图进行拼接以及相关处理后，采用主成分分析法对转换成二维特征向量集的特征图进行降维，得到特征向量集；再将特征向量集中的每一个特征向量与输入图像的每个像素点一一对应，得到训练样本集，并输入至随机森林算法训练得到检测模型；最后将待检测图像通过预处理后低维成特征向量集，再用训练好的随机森林模型进行缺陷检测，将检测模型输出向量转换为二维矩阵，二维矩阵可视化为图像，得到最终检测结果。

Description

一种基于机器学习的金属表面缺陷检测方法
技术领域
本发明属于缺陷检测技术领域，更为具体地讲，涉及一种基于机器学习的金属表面缺陷检测方法。
背景技术
表面缺陷是产品的外在缺陷，它与正常的产品表面存在差异，这种差异往往在合适的光照条件下通过人眼就可以分辨出来，所以在传统的工业生产过程中，人工目测法是检测表面缺陷最常用的方法。绝大部分的金属生产厂家仍然使用传统人工肉眼检测的方法对金属进行外观检测，但由于人注意力的局限性以及检测过程中难以避免的接触，人工检测已经不符合当前金属生产的需要，甚至成为了生产力提升的巨大阻碍，如何在线高效检测金属的表面缺陷成为所有金属制造商需要解决的当务之急。而随着科学技术的进步和新型工业化的进一步推进，金属的生产检测过程也可以与工业物联网、人工智能、计算机视觉等技术概念结合在一起。
国内外金属表面缺陷检测应用的案例很多，例如Gayubo、Fernando等人提出了一种用于检测金属薄板成形过程中裂纹缺陷的自动检测系统，该图像采集系统主要包括一个CCD渐进相机和一个漫射照明系统；为了保证算法检测精度，方法采用马尔可夫随机场模型对采集到的图像进行复原，再使用采用分水岭算法检测缺陷。Pichate Kunakornvong、Pitikhate Sooraksa提出了一种基于机器视觉检测头齿轮总成空气轴承表面(ABS)缺陷的方法，方法给出了成像系统的详细设计和污染检测流程，最终利用图像分割技术和块矩阵生成技术设计并实现了ABS缺陷检测系统。杨云、郭建强等人提出了一种通过HOG法提取图像特征与机器学习中支持向量机算法结合的方法解决工具板定位、识别的问题，首先采集工具板图像制作数据集，得到正负样本后使用HOG法提取样本方向梯度直方图特征，将特征输入SVM中训练得到模型解决工具板的定位及检测问题。为了有效识别和分类薄壁金属罐焊缝缺陷，孙军、李超等人提出了一种基于机器视觉的焊缝缺陷检测与分类算法。在对焊缝缺陷进行分类的基础上，使用基于高斯混合模型的方法来提取焊缝缺陷的特征区域，再根据特征设计了一种焊缝检测和分类算法。
以上方法较为依赖特定的客观条件，而实际上金属制品行业对表面缺陷检测的需求较为复杂，生产出的金属件往往存在着型号大小不相同的问题，并且由于材质原因金属表面缺陷并不固定难以归类，检测方法很难在数据集规模较小且检测对象多变的情况下保持良好的效果。
首先基于经典数字图像处理算法需要调参且算法迭代困难，其次深度学习算法对图像数据集要求较高，最后算法训练及检测时间仍然过长，相关方法都不能满足金属产品表面缺陷检测的要求。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于机器学习的金属表面缺陷检测方法，结合卷积网络的特征提取与机器学习中PCA算法及随机森林算法检测表面缺陷，较好地解决了实际缺陷形态各异，而样本较少，且算法迭代困难的问题，能够实现对相关金属产品表面缺陷的快速检测。
为实现上述发明目的，本发明一种基于机器学习的金属表面缺陷检测方法，其特征在于，包括以下步骤：
(1)、特征提取
使用VGG16模型对尺寸为K*K的输入图像进行两层卷积处理，从而使VGG16模型的第一、第二层卷积层分别输出两张尺寸均为K*K*64的特征图；
(2)、特征拼接与处理
将两张64维的特征图进行向量拼接，形成一个128维的特征向量，从而得到K*K个128维特征向量，其中，每个像素点对应一个128维的特征向量；
(3)、构建特征向量集
重复步骤(1)、(2)的操作，将N张尺寸均为K*K的输入图像都按照步骤(1)、(2)的操作处理，得到M'＝N*K*K个128维特征向量组成的特征向量集；
(4)、利用主成分分析法PCA进行特征向量降维
(4.1)、在特征向量集中随机选取M＝n*K*K特征向量构成训练特征向量集，在M个特征向量中，单个向量表示为
Figure BDA0002643740260000021
(4.2)、将M个特征向量看作一个128*M大小的矩阵，然后计算所有维度的均值
Figure BDA0002643740260000031
Figure BDA0002643740260000032
(4.3)、构建矩阵Y；
Figure BDA0002643740260000033
(4.4)、构建矩阵Y的协方差矩阵Σ；
Figure BDA0002643740260000034
(4.5)、设置正交矩阵Q，将协方差矩阵Σ转换为对角矩阵；
QTΣQ＝diag(λ1,λ2,…,λ128),λ1＞λ2＞…＞λ128
其中，λ1,λ2,…,λ128为特征值；
(4.6)、选出前p个特征值λ1,λ2,…,λp所对应的特征向量构成p*128维变换矩阵P；
(4.7)、同理，将特征向量集中M'个特征向量看作一个128*M'大小的矩阵后，能够构建出矩阵Z；
Figure BDA0002643740260000035
(4.8)、利用变换矩阵P对矩阵Z进行降维处理；
Z'＝PZ
其中，Z'为p*M'维的矩阵；
(5)、构建随机森林模型的训练样本集
将特征向量集M'＝N*K*K中的每一个特征向量与输入图像的每个像素点一一对应，从而将每一个特征向量与对应的像素点作为一个训练样本，从而得到一个p*M'训练样本集，并作为随机森林模型的训练样本集；
(6)、训练随机森林模型
输入一个具有M'个p维的训练样本集，每次随机有放回的从中抽取M'个样本构成一个子样本集，共分成T个子样本集，每个子样本集训练一棵子决策树模型，在训练过程中，从p维样本中随机抽取m维数据对子决策树进行训练，m＜p，从而训练出T个子决策树模型，而最终结果又由子决策树模型投票结果的众数决定；
(7)、将待检测图像按照步骤(1)-(4)的方法进行处理，得到降维后的矩阵，记为S，矩阵S为p*L维的数据矩阵；
(8)、将L个p维的特征向量输入至随机森林模型，利用T个子决策树模型对每个像素点对应的p维特征向量进行投票，如果投票结果超过半数为“1”，则标记该像素点缺陷，如果投票结果超过半数为“0”，则标记该像素点正常；在完成所有像素点的投票后，将随机森林模型输出的向量可视化处理，转换为输入图像大小的二维矩阵，在二维矩阵中白色元素代表缺陷，黑色元素代表正常，从而完成待检测图像的缺陷检测。
本发明的发明目的是这样实现的：
本发明一种基于机器学习的金属表面缺陷检测方法，首先将一定数量的缺陷图像数据集输入VGG16模型前两个卷积层得到缺陷图像的特征图，对特征图进行拼接以及相关处理后，采用主成分分析法对转换成二维特征向量集的特征图进行降维，得到特征向量集；再将特征向量集中的每一个特征向量与输入图像的每个像素点一一对应，得到训练样本集，并输入至随机森林算法训练得到检测模型；最后将待检测图像通过预处理后低维成特征向量集，再用训练好的随机森林模型进行缺陷检测，将检测模型输出向量转换为二维矩阵，二维矩阵可视化为图像，得到最终检测结果。
同时，本发明一种基于机器学习的金属表面缺陷检测方法还具有以下有益效果：
(1)、特征提取较为简单快捷
本发明仅采用已有相关参数的VGG16模型的前两层卷积层作为特征提取层，并不需要整个网络，也不必对其进行训练或调参，相对于原网络作为特征提取与特征识别全过程而言，其计算量大为降低。
(2)、所需原始图像样本较少
本发明采用已有相关参数的VGG16模型的前两层卷积层作为特征提取层，并将其进行特征拼接及相关处理后，然后采用像素级特征样本作为后续检测模型(随机森林)的训练样本，既保证了特征样本的数量与多样性，同时又对原始缺陷样本图像的数量要求大为降低。如果直接用VGG16模型进行特征提取与特征识别全过程的话，所需原始图像的样本数是巨量的(实际工业应用根本无法满足)，同时训练过程也较为复杂。
(3)、端到端检测清楚直观，稳定高效
本发明使用VGG16模型第一层、第二层前向输出特征图作为数据集输入随机森林算法，特征图与输入图像的尺寸大小相同，特征图每个特征向量都对应输入图像中的一个像素。随机森林算法训练得到模型后，输入待检测图像特征图后也会输出相同大小的结果图；实现了端到端的检测，输入一张图像，输出一张相同大小的结果图，直观明了，稳定高效。
(4)、训练时间短，迭代迅速
本发明相关算法支持GPU加速，在条件允许的情况下，GPU加速可以大大缩短模型训练时间；并且方法中加入主成分分析方法简化特征，进一步提升算法效率。在实际生产检测过程中，可以根据检测产品的批次变化快速迭代得到新模型投入再生产。
(5)、实时性高
VGG16利用GPU加速提取特征远远小于传统图像提取特征算法运行时间，这就大大减少了算法模型前向预测的时间。经过实际试验测试，在使用GPU加速的情况下，算法前向时间为50ms左右，不使用的情况下在150ms左右，完全满足实时性要求。
附图说明
图1是本发明一种基于机器学习的金属表面缺陷检测方法流程图；
图2是VGG16模型的输入图像示意图；
图3是VGG16模型第一卷积层输出示意图；
图4是VGG16模型第二卷积层输出示意图；
图5是主成分分析保留不同主成分个数情况下数据的还原率坐标图；
图6是随机森林模型的训练流程图；
图7是待检测图像与缺陷检测结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明一种基于机器学习的金属表面缺陷检测方法流程图。
在本实施例中，如图1所示，本发明一种基于机器学习的金属表面缺陷检测方法，包括以下步骤：
S1、特征提取
使用VGG16模型对图2所示的尺寸为224*224的输入图像进行两层卷积处理，从而使VGG16模型的第一、第二层卷积层分别输出两张尺寸均为224*224*64的特征图；在本实施例中，本方法采取挖掘图像浅层信息较为高效的VGG16模型第一、第二层卷积层输出的两张64维特征图，可以看出特征图尺寸与原图尺寸一致，从而也为方法实现图像检测与分割中端到端检测提供基础。在本实施例中，VGG16模型第一、第二层卷积层输出的两张64维特征图分别如图3、图4所示。
在本实施例中，利用VGG16模型进行特征提取时可以基于GPU实现加速，在Cuda平台上使用Caffe深度学习框架编译带有GPU加速功能的动态链接库即可完成提取特征步骤的GPU加速，这样在GPU上实现图像的矩阵计算可以大大减少模型前向计算的时间。
S2、特征拼接与处理
将两张64维的特征图可以理解为原图中每个像素点均对应两个64维的特征向量，为保证信息的丰富性，将这两个64维的向量进行向量拼接，形成一个128维的特征向量，从而得到224*224个128维特征向量，其中，每个像素点对应一个128维的特征向量；
S3、构建特征向量集
将N＝40张图2所示的尺寸均为224*224的输入图像都按照步骤S1、S2的操作处理，得到40*224*224个128维特征向量组成的特征向量集；
S4、利用主成分分析法PCA进行特征向量降维
在得到128维特征向量集后需要对特征向量进行信息筛选，本实施例使用主成分分析法(即PCA降维)将特征向量降维，可用低维特征表示绝大部分信息。
S4.1、在特征向量集中随机选取M＝3*224*224特征向量构成训练特征向量集，在M个特征向量中，单个向量表示为
Figure BDA0002643740260000071
S4.2、将M个特征向量看作一个128*M大小的矩阵，为减少计算量，可以先计算所有维度的均值
Figure BDA0002643740260000072
Figure BDA0002643740260000073
S4.3、通过减去这个均值后得到全新的128*M维的矩阵Y；
Figure BDA0002643740260000074
S4.4、构建矩阵Y的协方差矩阵Σ；
Figure BDA0002643740260000075
S4.5、设置正交矩阵Q，将协方差矩阵Σ转换为对角矩阵；
QTΣQ＝diag(λ1,λ2,…,λ128),λ1＞λ2＞…＞λ128
其中，λ1,λ2,…,λ128为特征值；
S4.6、选出前p＝8个特征值λ1,λ2,…,λp所对应的特征向量构成p*128维变换矩阵P，这样可将最初的128维数据降至8维；
S4.7、同理，将特征向量集中M'个特征向量看作一个128*M'大小的矩阵后，能够构建出矩阵Z；
Figure BDA0002643740260000076
S4.8、利用变换矩阵P对矩阵Z进行降维处理；
Z'＝PZ
其中，Z'为8*M'维的矩阵；将这些数据看做是M'个8维的特征向量构成的特征向量集；在本实施例中，如图5所示，前8维的特征向量即可代表近100％的信息。
S5、构建随机森林模型的训练样本集
在输入图像中，每个像素点自带有坐标标签，那么将特征向量集M'＝40*224*224中的每一个特征向量与输入图像的每个像素点一一对应，从而将每一个特征向量与对应的像素点作为一个训练样本，从而得到一个8*M'训练样本集，并作为随机森林模型的训练样本集；
S6、训练随机森林模型
如图6所示，输入一个具有M'个8维的训练样本集，每次随机有放回的从中抽取M'个样本构成一个子样本集，共分成T＝5个子样本集，每个子样本集训练一棵子决策树模型，在训练过程中，从8维样本中随机抽取m＝3维数据对子决策树进行训练，从而得到一个弱学习器，重复上述步骤五次即可得到五个弱学习器组成一个强学习器，从而训练出5个子决策树模型，而最终结果又由子决策树模型投票结果的众数决定；
S7、待检测图像预处理
在本实施例中，图7中的(a)为待检测图像；将待检测图像输入VGG16模型前两层卷积层进行特征提取，通过VGG16的前两层卷积后，可以获得两幅尺寸为224*224*64的特征图，将两张224*224*64的特征图拼接成一张224*224*128的特征图像，并将其看做每个像素点对应一个128维的特征向量构成的特征向量集；
利用主成分分析法PCA对L＝224*224个特征向量组成的128维特征向量集进降维处理，首先在L个特征向量看作一个128*L大小的矩阵，然后计算所有维度的均值
Figure BDA0002643740260000081
再将L个特征向量进行去均值化操作得到128*L维矩阵S，
Figure BDA0002643740260000082
矩阵S可以看作为8*L维的数据矩阵；最后利用变换矩阵P对矩阵S进行降维处理，S'＝PS，S'为8*L维的矩阵；
S8、缺陷检测
将L个8维的特征向量输入至随机森林模型，利用5个子决策树模型对每个像素点对应的8维特征向量进行投票，如果投票结果超过半数为“1”，则标记该像素点缺陷，如果投票结果超过半数为“0”，则标记该像素点正常；在完成所有像素点的投票后，将随机森林模型输出的向量可视化处理，转换为输入图像大小的二维矩阵，在二维矩阵中白色元素代表缺陷，黑色元素代表正常，从而完成待检测图像的缺陷检测，最终检测结果如图7中的(b)所示。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于机器学习的金属表面缺陷检测方法，其特征在于，包括以下步骤：
(1)、特征提取
使用VGG16模型对尺寸为K*K的输入图像进行两层卷积处理，从而使VGG16模型的第一、第二层卷积层分别输出两张尺寸均为K*K*64的特征图；
(2)、特征拼接与处理
将两张64维的特征图进行向量拼接，形成一个128维的特征向量，从而得到K*K个128维特征向量，其中，每个像素点对应一个128维的特征向量；
(3)、构建特征向量集
重复步骤(1)、(2)的操作，将N张尺寸均为K*K的输入图像都按照步骤(1)、(2)的操作处理，得到M'＝N*K*K个128维特征向量组成的特征向量集；
(4)、利用主成分分析法PCA进行特征向量降维
(4.1)、在特征向量集中随机选取M＝n*K*K特征向量构成训练特征向量集，在M个特征向量中，单个向量表示为
Figure FDA0003506574500000011
(4.2)、将M个特征向量看作一个128*M大小的矩阵，然后计算所有维度的均值
Figure FDA0003506574500000012
Figure FDA0003506574500000013
(4.3)、构建矩阵Y；
Figure FDA0003506574500000014
(4.4)、构建矩阵Y的协方差矩阵Σ；
Figure FDA0003506574500000015
(4.5)、设置正交矩阵Q，将协方差矩阵Σ转换为对角矩阵；
QTΣQ＝diag(λ1,λ2,…,λ128),λ1＞λ2＞…＞λ128
其中，λ1,λ2,…,λ128为特征值；
(4.6)、选出前p个特征值λ1,λ2,…,λp所对应的特征向量构成p*128维变换矩阵P；
(4.7)、同理，将特征向量集中M'个特征向量看作一个128*M'大小的矩阵后，能够构建出矩阵Z；
Figure FDA0003506574500000021
(4.8)、利用变换矩阵P对矩阵Z进行降维处理；
Z'＝PZ
其中，Z'为p*M'维的矩阵；
(5)、构建随机森林模型的训练样本集
将特征向量集M'＝N*K*K中的每一个特征向量与输入图像的每个像素点一一对应，从而将每一个特征向量与对应的像素点作为一个训练样本，从而得到一个p*M'训练样本集，并作为随机森林模型的训练样本集；
(6)、训练随机森林模型
输入一个具有M'个p维的训练样本集，每次随机有放回的从中抽取M'个样本构成一个子样本集，共分成T个子样本集，每个子样本集训练一棵子决策树模型，在训练过程中，从p维样本中随机抽取m维数据对子决策树进行训练，m＜p，从而训练出T个子决策树模型，而最终结果又由子决策树模型投票结果的众数决定；
(7)、将待检测图像按照步骤(1)-(4)的方法进行处理，得到降维后的矩阵，记为S，矩阵S为p*L维的数据矩阵；
(8)、将L个p维的特征向量输入至随机森林模型，利用T个子决策树模型对每个像素点对应的p维特征向量进行投票，如果投票结果超过半数为“1”，则标记该像素点缺陷，如果投票结果超过半数为“0”，则标记该像素点正常；在完成所有像素点的投票后，将随机森林模型输出的向量可视化处理，转换为输入图像大小的二维矩阵，在二维矩阵中白色元素代表缺陷，黑色元素代表正常，从而完成待检测图像的缺陷检测。
CN202010848011.0A 2020-08-21 2020-08-21 一种基于机器学习的金属表面缺陷检测方法 Expired - Fee Related CN112070727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010848011.0A CN112070727B (zh) 2020-08-21 2020-08-21 一种基于机器学习的金属表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010848011.0A CN112070727B (zh) 2020-08-21 2020-08-21 一种基于机器学习的金属表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112070727A CN112070727A (zh) 2020-12-11
CN112070727B true CN112070727B (zh) 2022-04-19

Family

ID=73658819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010848011.0A Expired - Fee Related CN112070727B (zh) 2020-08-21 2020-08-21 一种基于机器学习的金属表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112070727B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001909B (zh) * 2020-08-26 2023-11-24 北京科技大学 基于图像特征融合的粉末床缺陷视觉检测方法
CN114638777A (zh) * 2020-12-16 2022-06-17 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及介质
CN112784855A (zh) * 2021-01-28 2021-05-11 佛山科学技术学院 一种基于pca的加速随机森林训练的视网膜分层方法
CN113888461A (zh) * 2021-08-26 2022-01-04 华能大理风力发电有限公司 基于深度学习的小五金件缺陷检测方法、系统及设备
CN114155186B (zh) * 2021-10-08 2023-05-12 四川大学 基于无监督学习的缺陷检测系统及方法
CN114397244A (zh) * 2022-01-14 2022-04-26 长春工业大学 一种金属增材制造制件缺陷的识别方法及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127780A (zh) * 2016-06-28 2016-11-16 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN107395590A (zh) * 2017-07-19 2017-11-24 福州大学 一种基于pca和随机森林分类的入侵检测方法
CN108765412A (zh) * 2018-06-08 2018-11-06 湖北工业大学 一种带钢表面缺陷分类方法
CN109934814A (zh) * 2019-03-15 2019-06-25 英业达科技有限公司 表面缺陷侦测系统及其方法
CN110766660A (zh) * 2019-09-25 2020-02-07 上海众壹云计算科技有限公司 基于融合深度学习模型的集成电路缺陷图像识别分类系统
CN111145165A (zh) * 2019-12-30 2020-05-12 北京工业大学 一种基于机器视觉的橡胶密封圈表面缺陷检测方法
CN111353550A (zh) * 2020-03-13 2020-06-30 常州信息职业技术学院 一种基于随机结构森林的结构物表面缺陷检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4361947A3 (en) * 2018-03-23 2024-06-19 Memorial Sloan-Kettering Cancer Center Systems and methods for multiple instance learning for classification and localization in biomedical imagining
US11195062B2 (en) * 2018-11-15 2021-12-07 Nantomics, Llc Classification based on characterization analysis methods and systems

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127780A (zh) * 2016-06-28 2016-11-16 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN107395590A (zh) * 2017-07-19 2017-11-24 福州大学 一种基于pca和随机森林分类的入侵检测方法
CN108765412A (zh) * 2018-06-08 2018-11-06 湖北工业大学 一种带钢表面缺陷分类方法
CN109934814A (zh) * 2019-03-15 2019-06-25 英业达科技有限公司 表面缺陷侦测系统及其方法
CN110766660A (zh) * 2019-09-25 2020-02-07 上海众壹云计算科技有限公司 基于融合深度学习模型的集成电路缺陷图像识别分类系统
CN111145165A (zh) * 2019-12-30 2020-05-12 北京工业大学 一种基于机器视觉的橡胶密封圈表面缺陷检测方法
CN111353550A (zh) * 2020-03-13 2020-06-30 常州信息职业技术学院 一种基于随机结构森林的结构物表面缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于带钢表面缺陷检测的背景相减的方法》;刘泽福等;《福建电脑》;20060501;全文 *
<带钢表面质量缺陷检测与分类方法研究>;易梦云;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20190915;正文第2-4章 *

Also Published As

Publication number Publication date
CN112070727A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN112070727B (zh) 一种基于机器学习的金属表面缺陷检测方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN108416266B (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN111768388B (zh) 一种基于正样本参考的产品表面缺陷检测方法及系统
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN111507357B (zh) 一种缺陷检测语义分割模型建模方法、装置、介质及设备
CN111738994B (zh) 一种轻量级的pcb缺陷检测方法
CN114724155A (zh) 基于深度卷积神经网络的场景文本检测方法、系统及设备
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN114463759A (zh) 一种基于无锚框算法的轻量化文字检测方法及装置
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN111652273A (zh) 一种基于深度学习的rgb-d图像分类方法
CN110909615A (zh) 基于多尺度输入混合感知神经网络的目标检测方法
CN114972216A (zh) 一种纹理表面缺陷检测模型的构建方法及其应用
CN114820471A (zh) 一种面向智能制造精微结构表面缺陷的视觉检测方法
CN114037684B (zh) 一种基于yolov5和注意力机制模型的疵点检测方法
CN113838040A (zh) 一种针对彩色纹理织物缺陷区域的检测方法
CN116883393B (zh) 一种基于无锚框目标检测算法的金属表面缺陷检测方法
CN116704526B (zh) 工尺谱扫描机器人及其方法
CN111539434B (zh) 基于相似度的红外弱小目标检测方法
CN112200766A (zh) 基于区域关联神经网络的工业产品表面缺陷检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220419