◆施愷杰 王穎 王嘉璐 錢立峰 徐力晨 楊昊天 顧乾輝

（南昌工程學(xué)院 信息工程學(xué)院 江西 330096）

在汽車發(fā)電機、汽油發(fā)電機等領(lǐng)域，電子換向器起整流的作用，使電樞繞組中的電流方向是交變的，從而來保證電磁轉(zhuǎn)矩方向始終不變，所以它的質(zhì)量保障具有重要意義。但是在其生產(chǎn)的過程中，由于原材料的受限、環(huán)境溫濕度的差異以及加工過程中的失誤等多方面的原因，很大可能會導(dǎo)致產(chǎn)品表面出現(xiàn)損壞和缺陷。19世紀(jì)中期，產(chǎn)品表面缺陷的檢測[1]大部分還是傳統(tǒng)的檢測方法，以人工檢測[2]為主。但是人工檢測成本較高、效率低下，而且由于產(chǎn)品表面缺陷細(xì)微，加上工廠光線亮度和周圍環(huán)境的種種條件限制，易產(chǎn)生視覺疲勞，從而造成誤檢、漏檢現(xiàn)象[3]的產(chǎn)生，所以一種低成本高效率的表面缺陷檢測方法亟待開發(fā)。

20世紀(jì)以來，人們對于產(chǎn)品質(zhì)量要求的不斷提高，傳統(tǒng)的人工檢測技術(shù)產(chǎn)生的諸多原因已經(jīng)完全不能達到令人滿意的效果了。因此，基于傳統(tǒng)的數(shù)字圖像處理自動化檢測技術(shù)受到了人們的廣泛重視，主要可以分為基于紋理檢測算法[4]、閾值檢測算法[5]、邊緣檢測算法[6]等。雖然這類算法在自動化缺陷檢測方面相對于人工檢測具備了成本低、效率高等優(yōu)點，但是它對于圖像質(zhì)量要求較高，例如基于紋理的檢測算法，它對于原圖像的對比度要求很高，圖像中稍有噪聲干擾會嚴(yán)重影響檢測的結(jié)果。所以對于產(chǎn)品表面缺陷的不穩(wěn)定性，傳統(tǒng)的數(shù)字圖像處理方法普適性不高。

鑒于以上原因，本文提出了一種采用深度學(xué)習(xí)的技術(shù)來對缺陷進行檢測，優(yōu)勢在于不需要針對目標(biāo)的特征來設(shè)計特定的算法對其進行特征的提取，這大大提高了算法的靈活性和普適性。該方法在實驗過程中取得了較好的效果，可行性較高，有效提高了效率，為電子換向器產(chǎn)品缺陷檢測的自動化檢測開辟了新途徑[7]。

1 缺陷檢測自動化框架

對于電子換向器產(chǎn)品表面缺陷來說，有些可能是很細(xì)微的裂縫缺陷，有些則是較大面積的缺口等，所以模型要重視對圖像中的細(xì)節(jié)和邊緣信息的保留。所以本文設(shè)計了一個兩段式的網(wǎng)絡(luò)模型，第一部分是將原圖像進行像素級的分割，將每一個像素作為分割網(wǎng)絡(luò)[8]的訓(xùn)練樣本輸入，然后針對損失值調(diào)整權(quán)重，第二部分則是決策網(wǎng)絡(luò)，對全局圖像而不是單純的局部特征進行考慮，最終判斷原圖像是否為缺陷圖像，整個模型網(wǎng)絡(luò)結(jié)構(gòu)[9]如下圖1所示：

圖1 原模型網(wǎng)絡(luò)結(jié)構(gòu)圖

2 模型結(jié)構(gòu)改進

2.1 圖像灰度化

本文采用的是加權(quán)平均法，將紅綠藍(lán)三個分量用不同的權(quán)值進行加權(quán)平均后能得到較合理的灰度圖像。計算公式如下：

式中，F(xiàn)（i,j）表示圖像矩陣函數(shù)，R（i,j）、G（i,j）、B（i,j）為彩色圖像的三個分量。

2.2 分割網(wǎng)絡(luò)改進

本文在原來的基礎(chǔ)上進行了一些改進，將最后一層的卷積層變?yōu)?×5 大小卷積核的卷積層，能夠在原來的基礎(chǔ)上省去一半的參數(shù)量，避免了參數(shù)過多導(dǎo)致的過擬合現(xiàn)象的產(chǎn)生。另外，由于經(jīng)過最大池化層，縮小了特征圖像的分辨率，所以本文在模型中加入了上采樣層，采用雙線性插值法進行上采樣操作。其核心思想就是在X 和Y 方向上各進行一次插值。雙線性插值法相對于最鄰近點法而言，效果更連續(xù)，而且對于圖像信息的保存也更加完好，使用應(yīng)用于工業(yè)產(chǎn)品表面缺陷圖像。首先對X 方向上進行線性插值，計算公式如下：

2.3 損失函數(shù)改進

模型有兩個網(wǎng)絡(luò)主體，改進之后的模型將原模型中的損失函數(shù)從均方誤差（MSE）改為了二分類的交叉熵函數(shù)（binary_crossentropy）。binary_crossentropy 損失函數(shù)向最后一層權(quán)重的傳遞參數(shù)時，不再跟激活函數(shù)的導(dǎo)數(shù)相關(guān)，所以收斂更快，并且交叉熵?fù)p失函數(shù)更適合做分類問題，在分類問題中，該損失函數(shù)能得到線性的梯度，有效防止梯度消失現(xiàn)象的產(chǎn)生。而MSE 相對于binary_crossentropy 來說，更適合做回歸問題。所以模型改變前后具體參數(shù)如表1所示。

表1 模型改變前后參數(shù)

3 實驗過程與分析

3.1 數(shù)據(jù)集創(chuàng)建

本次實驗的數(shù)據(jù)集使用的是公開的KolektorSDD 數(shù)據(jù)集，在其表面上存在微小的破損或裂縫，大部分均為1~2 厘米的裂縫。數(shù)據(jù)集中包含了50 種編寫的電子換向器，每種有20 張圖片。下圖2 為一些正樣本圖像。

圖2 部分正樣本數(shù)據(jù)集

考慮到該數(shù)據(jù)集樣本相對較少，共有1000 個樣本，并且比例不均的原因，需要對數(shù)據(jù)集進行樣本增強和擴充，防止在后續(xù)的模型訓(xùn)練過程中出現(xiàn)因為數(shù)據(jù)集不充分導(dǎo)致的過擬合現(xiàn)象的產(chǎn)生。并且為了使樣本比例均衡，本文控制了正負(fù)樣本數(shù)量比為1:1，具體如表2。

表2 缺陷數(shù)據(jù)集

3.2 實驗結(jié)果及分析

本實驗在原始圖像輸入到分割網(wǎng)絡(luò)后，模型會有一個分割輸出對應(yīng)分割后的圖像，這里稱其為mask 圖像，如下圖3所示。

圖3 分割網(wǎng)絡(luò)輸出的mask 圖像

本實驗記錄了模型改進前后訓(xùn)練的損失值（class_output_loss）和準(zhǔn)確度（class_output_acc）的變化曲線，其中參數(shù)設(shè)計為：初始學(xué)習(xí)率（Ir）為0.0001；batch_size 為6，優(yōu)化器（optimizer）為Adam。改進前圖像如圖4所示。

圖4 模型改進前損失圖

從上圖可以明顯看到，訓(xùn)練集和驗證集整體呈現(xiàn)下降的趨勢，但是loss 值隨著epoch（次/百）緩慢降低，收斂速度較慢，而且驗證集出現(xiàn)了明顯的振蕩現(xiàn)象。

圖5 模型改進后損失圖

上圖為模型改進后，比較前后兩幅圖像可以看出，在模型改進之后，下降速度和收斂速度都有了很大的提高，loss 值很快就趨于了平緩，而且無論是訓(xùn)練集還是驗證集都沒有再出現(xiàn)振蕩的現(xiàn)象。

3.3 評價指標(biāo)

在本實驗中對于模型的評價設(shè)置了3 個指標(biāo)，分別為準(zhǔn)確率、查準(zhǔn)率和查全率，其公式如下：

上式中，存在缺陷的樣本被預(yù)測正確為TP，沒有缺陷的樣本被預(yù)測正確為TN，存在缺陷的樣本被預(yù)測錯誤為FP，沒有缺陷的樣本被預(yù)測錯誤為FN，詳細(xì)數(shù)值如表3 所列：

表3 測試樣本統(tǒng)計結(jié)果

從上表中可以看出，模型對于電子換向器產(chǎn)品表面缺陷的檢測，查全率高，大部分產(chǎn)品表面缺陷樣本均能被正確的分類，漏檢的情況低；準(zhǔn)確率和查準(zhǔn)率均為96%，取得了預(yù)期之中較好的結(jié)果。

4 結(jié)束語

本文針對電子換向器產(chǎn)品的表面缺陷，提出了基于深度學(xué)習(xí)的電子換向器產(chǎn)品表面缺陷檢測方法進行自動化的檢測，對自己設(shè)計的兩段式模型進行改進。實驗結(jié)果表明，改進后的模型樣本準(zhǔn)確度達到接近96%，收斂速度更快，性能普遍得到提高，該方法在能有效識別缺陷，對保障產(chǎn)品安全具有重要意義。