(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210580248.4 (22)申请日 2022.05.26 (71)申请人 徐工汉云技 术股份有限公司 地址 221001 江苏省徐州市徐州经济技 术 开发区科技路6号 (72)发明人 翟怡萌　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 钱玲玲 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/20(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 一种像素级定位的金属表面 缺陷检测方法 (57)摘要 本发明公开了一种像素级定位的金属表面 缺陷检测方法， 所述方法包括： 将原始图像输入 预先训练的模 型一， 得到原始图像的图像特征数 据； 将原始图像的图像特征数据与原始图像的原 始数据合并输入 预先训练的模型二， 识别原始图 像是否存在缺陷， 判断原始图像是否存在缺陷的 标签。 该技术方案可以基于少量标注样本实现高 准确率的模 型训练， 大大缩短模 型训练样本收集 的时间。 从而缩短模型开发周 期， 实现快速部署 应用。 权利要求书2页 说明书4页 附图2页 CN 114972252 A 2022.08.30 CN 114972252 A 1.一种像素级定位的金属表面 缺陷检测方法， 其特 征在于， 所述方法包括： 将原始图像输入预 先训练的模型一， 得到原 始图像的图像特 征数据； 将原始图像的图像特征数据与原始图像的原始数据合并输入预先训练 的模型二， 识别 原始图像是否存在缺陷， 判断原 始图像是否存在缺陷的标签。 2.根据权利要求1所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述模型 一的训练包括 步骤： 将原始图像输入模型内， 对图像数据及对应缺陷标注进行同规则的随机转换， 得到任 意数量的增强数据； 通过特征提取器对图像数据在深度神经网络的非线性空间进行 特征提取； 通过分类器对提取的特征进行分类处理， 得到原始图像每个像素位点的可能缺陷区 域； 根据原始图像每个像素位点的可能缺陷区域与对照标注的缺陷区域， 计算分类误差， 并更新模型的分类 器和特征提取器， 得到模型一。 3.根据权利要求2所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述随机 转换包括随机翻转、 随机亮度和对比度、 随机拉伸和缩放及随机 剪切的任意 一种。 4.根据权利要求2所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述随机 转换的方法包括： 预先确定每种转换方法的随机参数， 分别对图像数据和标签数据应用该参数的随机转 换； 先将图像数据和标签数据在通道水平上进行合并， 再对合并数据进行任意参数的随机 转换， 最后将随机转换处 理的合并数据分解 为图像数据和标签数据。 5.根据权利要求2所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述特征 提取器包括用于图像特征提取的骨架结构、 用于融合多尺度特征的自上而 下结构和横向连 接结构； 所述骨架结构包括多个网络层， 每层通过横向连接与自上而下 结构相连； 每个横向连接涉及卷积层、 批次标准化和激活函数； 每个横向连接的输出层， 即自上而 下结构的网络层， 为相同数量 通道及相同原 始图像下采样比例。 6.根据权利要求2所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述分类 器包括深度学习的常规分类结构及 传统机器学习的分类算法。 7.根据权利要求1所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述模型 二的训练方法包括： 将原始图像的图像特 征数据与原 始图像的原 始数据在通道水平进行合并； 对合并的数据进行随机转换， 得到任意数量的增强数据； 特征提取器对增强数据在深度神经网络的非线性空间进行 特征学习和提取； 分类器对提取的特 征进行分类处 理， 得到原 始图像存在缺陷的可能性； 对照原始图像是否真实存在缺陷的标签， 计算分类误差， 并更新模型的分类器和特征 提取器， 得到模型二。 8.根据权利要求7所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述特征 提取器为用于提取2D特 征的深度网络结构。 9.根据权利要求7所述的像素级定位的金属 表面缺陷检测方法， 其特征在于， 所述特征权　利　要　求　书 1/2 页 2 CN 114972252 A 2提取器结构为多网络层的顺序连接， 依次为通道数递增的卷机层、 批次标准化层、 激活层、 最大池化层的重复区块， 最后采用AdaptiveAvgPo ol2d得到征图谱。 10.根据权利要求7所述的像素级定位的金属表面缺陷检测方法， 其特征在于， 所述分 类器顺序地采用全连接层、 激活层、 Dropout层、 全连接层的结构， 最终输出由Softmax激活。权　利　要　求　书 2/2 页 3 CN 114972252 A 3