曹 陽， 盧 軍

(陜西科技大學 機電工程學院, 陜西 西安 710021)

0 引言

在工業(yè)生產(chǎn)中，質(zhì)檢作為確保成品質(zhì)量的關(guān)鍵環(huán)節(jié)，在工業(yè)生產(chǎn)自動化中具有重要的意義.在鋁材制造行業(yè)，鋁材的表面質(zhì)量是評價鋁材質(zhì)量的一個重要指標[1]，傳統(tǒng)的缺陷檢測技術(shù)主要依靠機械式檢測方法，如電渦流檢測、漏磁檢測等，但其檢測原理具有局限性，無法廣泛應用[2].近年來隨著機器視覺與深度學習技術(shù)的興起，利用圖像處理技術(shù)來進行表面缺陷檢測成為主流.

機器視覺作為一種無接觸、無損傷的檢測手段，在工業(yè)生產(chǎn)自動化、智能化過程中具有重要的作用，在工業(yè)缺陷檢測得到了廣泛的應用.徐科等[3]利用Tetrolet變換從熱軋鋼板圖像中提取低維特征向量，再送入支持向量機進行缺陷分類，分類識別準確率達到了97.38%； Shafarenko等[4]通過提出一種新的顏色相似性度量方法，配合分水嶺分割算法，實現(xiàn)了對隨機紋理表面缺陷的檢測；李良福等[5]針對橋梁裂縫，利用伽馬變換等算法對圖像進行重新生成，突出其缺陷特征，再進行輪廓查找，完成了對橋梁裂縫的檢測；Hoang等[6]針對皮革表面缺陷，提出了一種閾值分割結(jié)合密度聚類的方法，完成了缺陷的分割及分類，實驗結(jié)果表明了該方法的有效性.基于機器視覺的檢測方法，相較于傳統(tǒng)機械手段已有很大進步，但在涉及特征提取部分，往往需要針對數(shù)據(jù)集，設計獨特的特征提取器，傳統(tǒng)機器視覺算法中關(guān)鍵參數(shù)的確定，如文獻[6]中的歐氏距離的確定，往往依賴人的經(jīng)驗，缺少泛化性.

隨著深度學習在圖像分割，圖像分類等領域的廣泛應用，將深度學習應用于缺陷檢測得到了研究人員的廣泛關(guān)注.Chondronasios等[7]針對鋁材的水泡和劃痕缺陷，采用梯度共發(fā)生矩陣采集技術(shù)結(jié)合卷積神經(jīng)網(wǎng)絡實現(xiàn)了對缺陷的分類；翁飄等[8]設計了一種基于改進的全卷積神經(jīng)網(wǎng)絡(FCN)[9]的網(wǎng)絡模型，通過反卷積將FCN網(wǎng)絡淺層特征與深層特征相融合，實現(xiàn)了對路面裂縫的缺陷檢測；張廣世等[10]提出了一種利用改進的YOLO3網(wǎng)絡，對齒輪缺陷進行檢測的方法；張芳等[11]基于語義分割網(wǎng)絡(U-Net)[12]對納米顆粒進行分割，實驗證明該方法穩(wěn)定有效；Ma等[13]提出了一種基于卷積神經(jīng)網(wǎng)絡(CNN)的缺陷檢測方法，在真實數(shù)據(jù)集上對手機表面缺陷的檢出率達到了99.5%.以上的工作在缺陷分割以及目標檢測方面都取得了優(yōu)異的效果，但在工業(yè)缺陷檢測中，不僅要關(guān)心檢測的精度，還希望能夠同時獲得分割、分類等信息[14]，以便于對缺陷進行更進一步分析.

在多任務目標檢測領域，也有大量相關(guān)文獻.Wang等[15]訓練CNN卷積神經(jīng)網(wǎng)絡，在DAGM數(shù)據(jù)集上對六類缺陷樣本，六類無缺陷樣本進行分類，采用分段式網(wǎng)絡，第一段對圖像種類進新判別，第二段對缺陷的存在性進新判別，在對缺陷存在性的判別上達到了99.8%的準確率；Tao等[16]利用級聯(lián)自編碼器結(jié)合CNN對工業(yè)顯微鏡的扁平金屬組件的表面缺陷進行檢測，實現(xiàn)了缺陷的分割及分類預測；Feng等[17]利用深度殘差網(wǎng)絡(Resnet)[18]，提出了一個主動深度學習系統(tǒng)，實現(xiàn)了對路面缺陷的檢測和分類；蔡彪等[19]設計了一種基于Mask R-CNN的鑄件X射線DR圖像缺陷檢測算法，依據(jù)算法分割、分類結(jié)果，實現(xiàn)了對缺陷檢測的分級分類；沈曉海等[20]針對鋁材缺陷檢測任務，提出了一種基于多任務深度學習的鋁材表面缺陷檢測算法，解決了多任務訓練不均衡的問題，實現(xiàn)了鋁材缺陷的分類以目標檢測；以上算法通過不同的方式改進了缺陷檢測的性能，但都依賴于大量的數(shù)據(jù)集，需要耗費大量的精力去制作數(shù)據(jù)集，對訓練網(wǎng)絡的設備也有很高的要求.

工業(yè)缺陷檢測數(shù)據(jù)集往往較少，且標注成本高，在樣本數(shù)量較小時，網(wǎng)絡容易發(fā)生過擬合.Tabernik等[21]設計了一種基于分割的檢測網(wǎng)絡，分為分割網(wǎng)絡，決策網(wǎng)絡兩部分，在極少的樣本數(shù)量上達到了優(yōu)異的檢測精度.本文依據(jù)文獻[21]，提出一種改進的分割決策網(wǎng)絡，在鋁材表面凹坑缺陷檢測上進行改進實驗驗證，并同F(xiàn)CN、U-Net、VGG[22]、Resnet50經(jīng)典網(wǎng)絡進行對比試驗，結(jié)果表明所提出的算法具有更高的檢測精度以及穩(wěn)定性.

1 研究的問題

鋁材在生產(chǎn)過程中會產(chǎn)生許多的缺陷，其中凹坑缺陷是比較常見的一種，凹坑缺陷一般由擠壓速度不均勻以及模子工作帶不光潔等原因造成,而凹坑缺陷由于工藝的不同，有缺陷大小不同以及凹坑個數(shù)的區(qū)分.在實際的工業(yè)鋁材缺陷檢測中，首要的問題是生產(chǎn)的產(chǎn)品是否存在缺陷，即缺陷分類任務，若產(chǎn)品存在缺陷，則需要對其進一步分析以便改進工藝，為此需獲得鋁材缺陷的像素級分類，輸出鋁材缺陷區(qū)域和正常區(qū)域的二值化圖像，即缺陷分割任務.于是本文研究的問題是將正常鋁材樣本與缺陷鋁材樣分類，并獲得缺陷樣本的分割掩碼用于分析.正常樣本與缺陷樣本如圖1所示，無缺陷樣本的缺陷標注為全黑，在算法里體現(xiàn)為像素值全為零.

(a)缺陷樣本 (b) 缺陷樣本鋁材區(qū)域分割

(c)缺陷分割 (d)無缺陷樣本

(e)無缺陷樣本鋁材區(qū)域分割圖1 數(shù)據(jù)集樣本

本文對分割決策模型進行改進，在網(wǎng)絡模型前半部分增加鋁材區(qū)域分割分支，提高網(wǎng)絡對鋁材缺陷區(qū)域的關(guān)注，以提取重要特征，并對其單獨訓練，可以減輕網(wǎng)絡的過擬合；將鋁材缺陷區(qū)域分割輸出作為輸入添加至原網(wǎng)絡對應特征圖，并在其后加入SE模塊，添加網(wǎng)絡特征圖注意力機制，提升網(wǎng)絡對重要特征的提取能力.

2 分割決策模型

分割檢測模型在文獻[21]中被提出，該網(wǎng)絡通過對原始圖像的多次卷積、下采樣，捕獲其不同維度的特征，依據(jù)捕獲的特征，網(wǎng)絡輸出對塑料表面缺陷的檢測結(jié)果.具體的模型為兩段式結(jié)構(gòu)，如圖2所示.第一部分為分割網(wǎng)絡，實現(xiàn)對表面缺陷的區(qū)域分割，分割網(wǎng)絡在低維特征圖部分采用較少的層數(shù)，在高維特征圖部分采用較多的層，并在末尾設置大尺寸卷積核，這樣可以在擴大感受野的同時，保留較細小的特征，提升網(wǎng)絡精度.分割網(wǎng)絡的輸出為缺陷區(qū)域二值掩碼圖，輸出分辨率為原圖的1/8.決策網(wǎng)絡在分割網(wǎng)絡之后，引入分割網(wǎng)絡的輸出作為決策網(wǎng)絡的輸入，并在輸出端對分割網(wǎng)絡最后一層特征圖以及分割網(wǎng)絡輸出做最大、最小池化處理，將結(jié)果拼接起來，后連接全連接層，對缺陷的存在性做出概率預測，合理的利用了上一任務的輸出特征.

圖2 分割決策網(wǎng)絡

分割決策網(wǎng)絡所使用的數(shù)據(jù)集中，材料區(qū)域占據(jù)整張圖片，無背景環(huán)境的干擾，而本文的鋁材凹坑缺陷數(shù)據(jù)集中，背景環(huán)境復雜，且由于光照等原因使得照片質(zhì)量參差不齊，所以原分割決策網(wǎng)絡不適于本數(shù)據(jù)集使用，且原分割決策網(wǎng)絡在特征提取時，缺少注意力機制，特征冗余，提取效率不高.

3 改進分割決策模型

為了使分割決策模型適應于鋁材表面凹坑缺陷檢測，對原結(jié)構(gòu)做出如下改進.

3.1 添加鋁材區(qū)域分割網(wǎng)絡

來在神經(jīng)網(wǎng)絡訓練過程中，由于工業(yè)缺陷檢測數(shù)據(jù)集相對較少，容易出現(xiàn)過擬合的風險.本文添加鋁材區(qū)域分割網(wǎng)絡，對共享層添加限制，從而增強網(wǎng)絡模型對于過擬合的抵抗能力.添加鋁材區(qū)域分割網(wǎng)絡，可以使得網(wǎng)絡更關(guān)注于鋁材區(qū)域的特征，弱化由于光照不均，背景環(huán)境復雜等問題帶來的干擾.

圖3 改進分割決策網(wǎng)絡

改進后的分割決策網(wǎng)絡模型如圖3所示.為了獲得鋁材缺陷區(qū)域分割圖像，并方便將區(qū)域分割輸出融合于決策網(wǎng)絡，本文在原有網(wǎng)絡的第二個特征圖之后采用同決策網(wǎng)絡第一部分卷積同樣的策略，使用四個5×5大小卷積核的卷積層接一個最大池化層，提取鋁材表面的低維特征，獲得64通道的特征圖，輸出為上一特征圖一半的分辨率圖像，后接 1×1大小卷積核的卷積層，通過全卷積的方式預測鋁材區(qū)域分割二值化圖像.

3.2 引入SE模塊

SE(Squeeze-and-Excitation)模塊來自于文獻[22],其對應的SENet被應用于分類任務，并在2017年的ImageNet大賽的Image Classification任務上以極大的優(yōu)勢獲得了冠軍.包含如下三個步驟：

(1)擠壓(Squeeze)：針對待添加SE模塊的特征圖，順著特征圖的空間維度來進行特征壓縮，本文采用平均池化操作，將每一通道的特征圖變成一個實數(shù)，保持輸出的維度和輸入的通道數(shù)相匹配；

(2)激活(Excitation)：首先通過一層全連接層將特征維度降低到輸入的1/16，然后經(jīng)過 ReLu激活后再升回到原來的維度，最后通過一個Sigmoid 門獲得0～1之間歸一化的權(quán)重；

(3)重構(gòu)(Reweight)：將 Excitation 的輸出的權(quán)重通過乘法逐通道加權(quán)到先前的特征上，完成在通道維度上的對原始特征的重標定.

分割決策網(wǎng)絡本質(zhì)上是全卷積神經(jīng)網(wǎng)絡的變體，通過對多次的卷積、池化、下采樣，獲得一定通道數(shù)量的特征圖，最后依據(jù)特征圖，獲取需要的預測輸出，但是在獲取特征圖的過程中會提取一些不重要的特征，降低網(wǎng)絡提取特征的效率.引入SE模塊，可以對獲得的特征圖進行重新標定，在特征圖層面引入注意力機制，使得網(wǎng)絡更關(guān)注于重要特征而忽略次要特征，從而提升網(wǎng)絡的檢測精度.

如圖4所示，本文將SE模塊加入Segmentation Network輸入特征圖之后，為增強特征圖之間的相關(guān)性，在對特征圖擠壓時，先將其通道數(shù)降低至5，再通過卷積操作恢復至65，后接sigmoid激活函數(shù)，得到特征圖的分配權(quán)值，對其進行特征圖的重新標定.

圖4 SE模塊結(jié)構(gòu)示意圖

3.3 損失函數(shù)

本次提出的網(wǎng)絡在訓練時，對分割網(wǎng)絡和分類網(wǎng)絡單獨訓練，本次提出的分類網(wǎng)絡為二分類網(wǎng)絡，分割網(wǎng)絡也可看作是對像素的二分類，故在訓練時沿用文獻[20]中分割網(wǎng)絡所使用損失函數(shù)，即統(tǒng)一使用二分類交叉熵損失函數(shù)，其定義式為：

(1)

式(1)中：N表示樣本數(shù)量；yi表示樣本i的標定值，在鋁材區(qū)域分割任務中，鋁材區(qū)域像素的標定值為1，背景區(qū)域像素的標定值為0；在缺陷分割任務中，缺陷區(qū)域像素的標定值為1，非缺陷區(qū)域像素的標定值為0，在分類任務中，缺陷樣本的標定值為1，正常樣本的標定值為0；pi表示樣本i被預測為1的概率.

4 實驗結(jié)果與分析

4.1 數(shù)據(jù)來源

本文的數(shù)據(jù)集來自于阿里廣東工業(yè)智造大數(shù)據(jù)創(chuàng)新大賽—鋁型材表面瑕疵識別比賽的公開數(shù)據(jù)集.原數(shù)據(jù)集包含無缺陷樣本、有缺陷樣本兩大類，其中缺陷樣本又細分為臟點、不導電、桔皮、漆包、噴流、漏底、凹坑、雜色、擦花等9小類.本文針對凹坑缺陷，在原始數(shù)據(jù)集中依據(jù)檢測難易程度，選取缺陷樣本145張，其中易檢測、較易檢測、難檢測的比例為1∶3∶1，無缺陷樣本435張，共580張，將數(shù)據(jù)集分訓練集、驗證集、測試集分別為400張、60張、120張，其中缺陷樣本、無缺陷樣本、以及缺陷樣本檢測難易程度的樣本數(shù)比例保持不變.對缺陷樣本進行鋁材區(qū)域分割標注以及缺陷分割標注，標注軟件為Labelme，對缺陷樣本和無缺陷樣本的分類標注體現(xiàn)在命名規(guī)則里.數(shù)據(jù)集中原始圖像、鋁材區(qū)域分割圖像、缺陷分割圖像如圖1所示.

4.2 實驗設置

本實驗在windows10環(huán)境下完成，使用的語言為python3.6，在PyTorch1.0上搭建網(wǎng)絡并進行訓練.使用的核心顯卡為NVDIA GeForce GTX1080Ti，顯存為11G.實驗采用單獨訓練的方式，先單獨對鋁材區(qū)域分割網(wǎng)絡進行訓練，然后凍結(jié)區(qū)域分割網(wǎng)絡的權(quán)值，再對缺陷分割網(wǎng)絡進行單獨訓練，凍結(jié)區(qū)域分割網(wǎng)絡與缺陷分割網(wǎng)絡的權(quán)值，最后對決策網(wǎng)絡進行訓練.

4.3 評價指標

為了定量評價提出的算法的性能，本文針對分割任務與分類任務采用了不用的評價指標.

對于鋁材區(qū)域分割和鋁材缺陷分割任務，采用文獻[8]中裂縫分割所使用的評價指標：IOU(Intersection over Union),即交并比作為本文的分割性能評價指標.

(2)

IOU取值在0～1之間，表示的是算法分割的缺陷區(qū)域和手工標注的缺陷區(qū)域的吻合程度，IOU取值越高，表示算法分割越精確.分割任務可以看作對像素的分類任務，在對分割任務評價時，將單張掩碼圖的缺陷區(qū)域像素稱為正樣本，非缺陷區(qū)域像素稱為負樣本，式中：TP為真正例，即實際為正樣本，預測為正樣本；FP為假正例，即實際為負樣本，預測為正樣本；FN為假反例，即實際為正樣本，預測為負樣本.為區(qū)分兩個分割任務的指標，將鋁材區(qū)域分割指標記作IOU1，鋁材缺陷分割指標記作IOU2.

對于缺陷分類任務，選用文獻[7]中對鋁材氣泡及劃痕分類的評價指標，即準確度PAcc衡量分類任務的效果，該指標衡量了網(wǎng)絡對于不同標簽分類的準確程度.公式為：

(3)

在本分類任務中，將缺陷樣本稱為正樣本，將無缺陷樣本稱為負樣本，式中：TP為真正例，即實際為正樣本，預測為正樣本；FP為假正例，即實際為負樣本，預測為正樣本；TN為真反例，即實際為負樣本，預測為負樣本；FN為假反例，即實際為正樣本，預測為負樣本.準確度PAcc表示的是預測正確的樣本數(shù)占所有樣本總數(shù)的比例，值越大，表示分類效果越好.

4.4 結(jié)果分析

為了驗證本文所提出的改進策略相對于原網(wǎng)絡模型在檢測效果上是否有提升，以及改進后的算法對鋁材表面凹坑缺陷數(shù)據(jù)集檢測性能表現(xiàn)是否良好，本文針對所提出的兩條改進策略：添加鋁材區(qū)域分割網(wǎng)絡、引入SE模塊，設置了三種配置方式：單獨加入?yún)^(qū)域分割網(wǎng)絡，單獨引入SE模塊，同時加入?yún)^(qū)域分割網(wǎng)絡和SE模塊，在現(xiàn)有數(shù)據(jù)集上進行訓練、測試、驗證，與原網(wǎng)絡進行對比，為方便描述，將原分割決策網(wǎng)絡稱作S-D，將三種配置方式依次稱為S-D1、S-D2、S-D3.實驗結(jié)果如表1所示,F-count表示FP和FN的個數(shù)和.

表1 不同配置下方法的表現(xiàn)

由表1可以看到，在不同配置方式下，網(wǎng)絡模型的表現(xiàn)也有所差異.在單獨加入?yún)^(qū)域分割模塊和SE模塊的情況下，模型檢測準確率都有所提升，在同時加入?yún)^(qū)域分割模塊和SE模塊的情況下，提升最大，分割精度提升了1.6%，分類準確率提升了4.01%.而誤分類的個數(shù)也有顯著提升，相較于原網(wǎng)絡，減少了24個.

單獨加入?yún)^(qū)域分割模塊，對分類精度的提升為0.42%，單獨加入SE模塊對精度的提升2.8%，而同時加入?yún)^(qū)域分割模塊與SE模塊提升則達到4.01%.對此，解釋為：區(qū)域分割模塊和SE模塊不僅僅各自提升精度，結(jié)合之后也對彼此有所增益，SE模塊不僅對原始產(chǎn)生的特征圖進行權(quán)重分配，也對區(qū)域分割模塊產(chǎn)生的特征圖進行權(quán)重分配，這樣就使得網(wǎng)絡在鋁材區(qū)域分割的基礎上，更加關(guān)注于只包含鋁材區(qū)域部分的特征，使得網(wǎng)絡能夠更有效地提取更重要的特征，忽略次要特征.而區(qū)域分割模塊作為一條分支，對其單獨訓練，由于其占據(jù)了主路的一部分前端結(jié)構(gòu)，在訓練時增加了對前幾層網(wǎng)絡結(jié)構(gòu)的約束，可以使得網(wǎng)絡學習更重要的特征，可以一定程度上抵抗由于SE模塊使得網(wǎng)絡精簡帶來的訓練過擬合的影響，提高網(wǎng)絡模型的泛化能力.

為驗證本文所提出的方法在同樣條件下相較于其他方法，在鋁材表面凹坑缺陷數(shù)據(jù)集上是否有更優(yōu)異的性能，選取VGG網(wǎng)絡以及ResNet50網(wǎng)絡，作為所提方法分類檢測的對比方法.VGG第一次使用多層小卷積核代替大卷積核，簡化了網(wǎng)絡結(jié)構(gòu)的同時保持了更高的精度，并在工業(yè)上也有廣泛的應用，如文獻[22]就將其用于布匹分類；而Resnet50則由于其獨特的短連接結(jié)構(gòu)解決了隨著網(wǎng)絡加深網(wǎng)絡性能下降的難題，影響了2016年深度學習在學術(shù)界和工業(yè)界的發(fā)展方向，在分類任務領域被廣泛應用，如文獻[20]在鋁材缺陷分類時就使用了Resnt網(wǎng)絡結(jié)構(gòu),文獻[17]使用Resnet結(jié)構(gòu)對路面裂縫進行檢測，故使用VGG和Resnet50作為對比試方法來驗證本文所提方法的性能是可靠的.由于本文所提的網(wǎng)絡結(jié)構(gòu)為分段式結(jié)構(gòu)，訓練時采取分段單獨訓練的方式，在進行分類任務時，分割網(wǎng)絡參數(shù)凍結(jié)，用VGG網(wǎng)絡以及Resnet50網(wǎng)絡結(jié)構(gòu)替換所提方法的前部分結(jié)構(gòu)，在輸出端采用同樣的全連接層，輸出對于缺陷檢測的分別類結(jié)果.選取FCN[8]、U-Net[12,13]網(wǎng)絡作為所提方法的分割對比方法.為保證同等條件，采用同樣的樣本集，在同樣的實驗設置下，各個網(wǎng)絡選取訓練結(jié)果最好的模型參數(shù)保存，進行對比試驗，實驗結(jié)果如圖5、圖6所示.

圖5 不同檢測方法的檢測結(jié)果對比圖

在缺陷樣本100張，無缺陷樣本300張的數(shù)據(jù)集上，VGG的缺陷分類準確率達到了96.75%，Rsenet50的缺陷分類準確率達到了98.10%.所提方法的分類準確率達到了99.31%，誤檢率只有0.69%，基本滿足實際使用要求.在分割部分，所提方法的區(qū)域分割精度相較于FCN提升4.54%，較U-Net降低0.57%，缺陷分割精度達到了相較于對比算法最好的U-Net提升0.76%.這是因為U-Net的網(wǎng)絡結(jié)構(gòu)實際上是對每一個像素點的分類，而且他的結(jié)構(gòu)本身也有特征圖的融合，其對樣本數(shù)據(jù)量需求較少，故在缺陷樣本100張時，本文所提方法在區(qū)域分割時稍弱，可視化分割結(jié)果見圖6.

對鋁材區(qū)域的分割任務，從結(jié)果來看，本文提出的方法和FCN、U-Net均可以較好的將完整區(qū)域分割出來，但是FCN有時會存在誤檢的區(qū)域，在鋁材顏色分布不均勻時，易將鋁材一部分邊緣錯誤看作背景.在缺陷分割任務中，由于缺陷分布無規(guī)律，有時單張會存在多個缺陷，F(xiàn)CN、U-Net有時會將靠近的兩個點當作一個點，有時會漏檢細小的點，而本文提出的方法相較少出現(xiàn)上述情況.由此可見，本文提出的方法在分割精度上優(yōu)于FCN、U-Net.

(a) (b) (c) (d) (e) (f) (g) (h) (i) 缺陷樣本 區(qū)域分割 U-Net區(qū) FCN區(qū) S-D3區(qū) 缺陷分割 FCN缺 U-Net缺 S-D3缺 標注 區(qū)域分割 域分割 域分割 域分割 標注 陷分割 陷分割 陷分割圖6 不同方法的分割結(jié)果對比圖

為驗證在缺陷樣本數(shù)量減少的條件下，本文所提出的方法是否具有穩(wěn)定性，針對本文的主要任務，缺陷分類任務，對比本文所提方法和VGG、Resnet50進行對比試驗，將缺陷樣本數(shù)隨機減少至70、45、30，無缺陷樣本保持不變，設置對比試驗，除缺陷樣本數(shù)量不同外，保持訓練環(huán)境等保持一致，并選取訓練結(jié)果最好的模型參數(shù)保存，在測試集上進行驗證，并記錄實驗結(jié)果如圖7所示.

圖7 不同缺陷樣本數(shù)量下算法 檢測結(jié)果對比圖

從圖7可以看出，隨著缺陷樣本數(shù)量的減少，分類準確度都有所降低，本文所提方法相比于Resnet50、VGG，在缺陷樣本數(shù)量逐漸降低至30時，還保持在98%左右，而VGG已經(jīng)降低至76%左右，無法滿足使用要求.由圖8可知，誤分類個數(shù)也保持同樣的趨勢，在缺陷樣本數(shù)為100時，都僅有個位數(shù)的誤分類個數(shù)，隨著缺陷樣本數(shù)減少，對比方法的誤分類個數(shù)最多達157，而本文所提方法最多只有18.由此可見，本文所提的多任務特征融合檢測方法，在樣本數(shù)量減少時，仍能保持較高的穩(wěn)定性，本文所提的方法是有效、可靠、穩(wěn)定的.

圖8 不同缺陷樣本數(shù)量下算法 誤分類個數(shù)對比圖

5 結(jié)論

本文使用一種改進的分割決策網(wǎng)絡模型對鋁材表面凹坑缺陷進行檢測，構(gòu)建了凹坑缺陷檢測數(shù)據(jù)集，來訓練、驗證所提出的方法，通過添加鋁材區(qū)域分割網(wǎng)絡，用多任務訓練的方式，提升了網(wǎng)絡的檢測精度，并通過引入SE模塊，添加注意力機制，使得網(wǎng)絡更好的利用多任務特征融合的優(yōu)勢，提升網(wǎng)絡對于重要特征的提取能力.

結(jié)果表明，本文所提方法小相較于原網(wǎng)絡模型，分割精度提升了1.6%，分類精度提升了4.01%，相較于FCN、U-net，網(wǎng)絡在缺陷分割部分檢測精度領先對比方法最優(yōu)算法0.76%，相較于VGG、Resnet50，網(wǎng)絡在圖像分類部分檢測精度領先對比方法最優(yōu)算法1.12%.并且在缺陷樣本數(shù)據(jù)量減少至30張的情況下，分類精度為98.32%，較Resnet50分類精度84.2%，VGG分類精度76.59%更精確且穩(wěn)定.

所提方法也可用于其他工業(yè)產(chǎn)品的缺陷檢測領域，并且對樣本需求較小.但是本文所提的方法僅對缺陷的存在性做出判別，下一步的工作是對網(wǎng)絡添加缺陷種類檢測模塊，使得網(wǎng)絡在小樣本的條件下仍能保持較好的準確度、穩(wěn)定性，滿足工業(yè)缺陷檢測需求.