林李興，夏振平,，徐 浩，宋 玉，胡伏原

（1. 蘇州科技大學 物理科學與技術學院，江蘇 蘇州 215009；2. 蘇州科技大學 電子與信息工程學院，江蘇 蘇州 215009）

引言

近年來，隨著科學技術的發(fā)展和人們生活水平的提高，各類工業(yè)產(chǎn)品的外形愈發(fā)復雜多樣，復雜的表面紋理為實際生產(chǎn)中的產(chǎn)品質(zhì)量檢測帶來巨大的困難。目前絕大多數(shù)工廠的復雜紋理產(chǎn)品表面質(zhì)量的檢測都是以人工目檢的方式進行。復雜表面紋理使得質(zhì)量檢測出現(xiàn)人因干擾大、耗時久、準確率無法保證等問題。以人造木質(zhì)板材為例，其表面花紋是通過模擬普通實木木材表面生成的天然復雜紋理，由于生產(chǎn)過程中存在冷壓、熱壓、裁邊等操作，導致產(chǎn)品出現(xiàn)表面油污、表面劃痕、板材缺損、花色缺失等缺陷[1]。

隨著工業(yè)4.0 的提出，各行業(yè)都在大力發(fā)展自動化生產(chǎn)。機器視覺是智能制造裝備在自動化生產(chǎn)過程中精準識別和定位的關鍵部分，是機器人的“眼睛”[2]。機器視覺在圖形圖像學與信息學研究促進下迅速發(fā)展，其成果被廣泛應用于醫(yī)療、軍事、工業(yè)生產(chǎn)等領域[3]。工業(yè)生產(chǎn)中的產(chǎn)品質(zhì)量檢測，引入機器視覺檢測代替人工目檢的方法可以降低人工成本和提高檢測準確率[4]，對復雜紋理產(chǎn)品表面進行缺陷檢測是自動化生產(chǎn)過程中必不可少的一個環(huán)節(jié)[5]，提升機器視覺中缺陷檢測方法的準確率是自動化生產(chǎn)設計中的關鍵點和難點。

復雜背景下的產(chǎn)品表面缺陷檢測問題是目標檢測問題。針對這一問題，有許多研究者使用機器視覺中的圖形圖像學方法解決[6]。在被檢測的缺陷與其所在表面其他區(qū)域有較為明顯的區(qū)別時，缺陷的邊緣通常能夠通過特征提取的方式勾勒出來。例如Roberts[7]基于交叉熵的梯度算法提出交叉微分算法對目標的輪廓進行提取，該算法常用于玻璃、金屬表面等表面缺陷檢測。如果缺陷所在表面過于復雜并且規(guī)律性難以掌握時，需要提取更多特征信息加以整合。Zhang 等[8]采集了缺陷幾何區(qū)域特征、灰度紋理特征、不變矩特征等共25 個圖像特征，并基于主元分析法（PCA）將特征融合至最具代表性的8 個特征，據(jù)此建立數(shù)據(jù)特征字典，以減少數(shù)據(jù)冗余和特征維度，最后使用壓縮感知的方法對圖像進行分類判別檢測，其準確率達到了92.00%。在更為復雜的環(huán)境下，機器視覺的可見光紅綠藍（RGB）三通道信息無法提供足夠的特征。為了進一步提取缺陷特征信息，研究者們引入了紅外光[9]、近紅外光等信息進行特征融合。Li 等[10]使用紅外光與可見光RGB 的多通道圖像信息，提取并引入特征金字塔進行特征融合，使得圖像的信息熵從0.778 提升至0.845。以上方法應用于木質(zhì)板材的木結、裂紋等缺陷檢測時，因該類缺陷在圖像中的占比大且特征較為明顯，其表現(xiàn)較好，但是面對劃痕、油污等小尺寸缺陷表現(xiàn)能力較差。同時，當前工業(yè)中生產(chǎn)環(huán)境要求檢測方法和檢測系統(tǒng)具備實時性和快速部署能力。在面對隨機性紋理和變化復雜度較高的紋理背景時，存在某些正常花紋有可能會被誤判為缺陷的情況。例如在人造木質(zhì)板材的表面會出現(xiàn)“死結”、“裂紋”等花紋，使用圖形圖像學方法會產(chǎn)生誤判，影響系統(tǒng)的準確性，導致傳統(tǒng)缺陷檢測方法難以滿足人造木質(zhì)板材表面缺陷的檢測需要[11]。

發(fā)展迅速的機器學習技術使用神經(jīng)網(wǎng)絡對圖像進行特征提取與分類識別，一定程度上解決了圖形圖像學檢測方法遇到的問題[12]。深度學習中調(diào)整參數(shù)方法通常能使得模型獲得較好的表現(xiàn)，例如Gao 等[13]優(yōu)化了ResNet34 網(wǎng)絡的損失函數(shù)并使用亞當算法調(diào)整超參，該方法對“木結”這類較大缺陷分類檢測的準確率達到了98.69%。由于實際工業(yè)應用中沒有特定產(chǎn)品的高質(zhì)量公共數(shù)據(jù)集，同時對大量實際采集的圖像進行手動添加缺陷標簽的成本高，需要使用其他方法來規(guī)避制作數(shù)據(jù)集困難的缺點[14]。預訓練是通常會使用的降低數(shù)據(jù)集要求的方法，例如Ren 等[15]選擇使用圖像預訓練方法獲取優(yōu)秀的圖像分類器，建立了一種深度學習的通用表面自動檢測方法，該方法應用于普通實木木材表面缺陷檢測的準確率達到了91.55%。Urbonas 等[16]選擇使用數(shù)據(jù)增強和遷移學習的方式強化FRB-CNN 網(wǎng)絡，對缺陷進行識別、分類和定位，該方法應用于普通實木木材表面木結檢測的準確率達到了96.10%。目前深度學習在較多領域中都優(yōu)于傳統(tǒng)圖形圖像學算法，但絕大多數(shù)是面向復雜紋理上的大尺寸缺陷[17-18]，例如死結和裂紋等缺陷，這類缺陷在圖像中尺寸占比較大時，才能達到較高的準確率。而在檢測人造木質(zhì)板材表面的小尺寸缺陷時，準確率下降嚴重，難以滿足實際生產(chǎn)的需要。

為了解決復雜紋理表面的缺陷檢測準確率低的問題，本文提出了一種結合網(wǎng)絡優(yōu)化和遷移學習的深度學習方法。該方法使用殘差網(wǎng)絡ResNet18作為骨干網(wǎng)絡，針對小樣本數(shù)據(jù)集的問題對模型進行針對性優(yōu)化；同時利用遷移學習的特點，對模型的訓練過程進行優(yōu)化，提升了模型的特征提取能力，籍以優(yōu)化模型在小樣本數(shù)據(jù)集上的表現(xiàn)；此外該方法還解決了復雜紋理表面上缺陷檢測耗時久、模型訓練成本高、對同類型不同復雜紋理適應能力差的問題。

1 基于深度學習的圖像識別

解決復雜紋理表面的缺陷檢測問題，不僅需要面對實際應用中數(shù)據(jù)集制作困難而導致的小樣本問題，同時也需要滿足實際部署中的兼容性、實時性等要求。實踐中，需要在網(wǎng)絡模型的復雜性和檢測速度之間找到平衡，并通過優(yōu)化訓練過程使得模型在小樣本數(shù)據(jù)集上獲得更好的效果。本文提出的方法結合了殘差網(wǎng)絡的特征提取能力和遷移學習的特征映射優(yōu)勢，使得模型獲得更好的表現(xiàn)能力。

1.1 殘差網(wǎng)絡

在圖像識別的深度學習網(wǎng)絡中，骨干網(wǎng)絡由特征提取網(wǎng)絡和分類網(wǎng)絡2 個部分組成。通常使用卷積神經(jīng)網(wǎng)絡CNN（convolutional neural networks）作為特征提取網(wǎng)絡，通過卷積層和池化層獲取圖像信息。不同的卷積神經(jīng)網(wǎng)絡模型性能不同。在面對人造木質(zhì)板材這類復雜紋理表面的缺陷檢測時，實際訓練過程中選擇使用CNN、VGG（visual geometry group network）作為特征提取網(wǎng)絡，常常會出現(xiàn)梯度爆炸和過擬合的問題。為了解決這些問題，研究者提出了使用“殘差塊”結構來優(yōu)化網(wǎng)絡框架的方法，使得模型達到較好的性能[13]。

殘差塊的結構由1 個正常塊加上1 個映射層組成。正常塊沿用VGG 的卷積層設計，由2 個卷積層和1 個激活層組成。輸入信號經(jīng)過卷積層運算獲得輸出殘差映射F(x)；殘差塊輸入x還需要通過1 個映射層將輸入映射到輸出。如果輸入與輸出的維度不同，則需要在映射層引入額外的1×1 卷積進行維度統(tǒng)一。正常塊輸出F(x) 與映射輸出x做加權運算，得到輸出理想映射H(x)。本文將權重和偏置參數(shù)設成0，即恒等映射，如（1）式所示。

殘差網(wǎng)絡是由多個殘差塊串聯(lián)組合而成，殘差塊映射的設計方式使得網(wǎng)絡深度較大時不會出現(xiàn)梯度消失現(xiàn)象。由于使用了更深的網(wǎng)絡，模型分類的準確度得以提升，殘差塊的映射方式還解決了深層次網(wǎng)絡退化問題。在目前各種圖像識別深度學習網(wǎng)絡中，殘差網(wǎng)絡在圖像特征提取方面的性能最為優(yōu)秀[12]。

1.2 遷移學習特征映射

遷移學習是一種有效提升模型性能的深度學習模型訓練方式，其可以同時根據(jù)不同的域和任務來選擇使用不同的遷移學習方式。目前主要的遷移學習方式有樣本遷移、特征遷移和模型遷移。

遷移學習是模型對任務參數(shù)與特征的繼承過程（如圖1 所示）。首先，使用理想狀態(tài)下大量高質(zhì)量標注數(shù)據(jù)（圖1 中Dataset1）對原始模型進行訓練，得到對該類圖像具有優(yōu)秀特征提取能力的模型；其次，將第1 次訓練獲得的模型參數(shù)繼承；最后，將另一個較少樣本數(shù)量但學習任務具有相關性的數(shù)據(jù)集（圖1 中Dataset2）加載到模型進行進一步訓練，獲得分類結果表現(xiàn)較好的新模型。從以上流程可以看出，遷移學習利用了前后2 種數(shù)據(jù)之間的相關性，使得前一次訓練模型獲得的特征提取能力分享給后一次的訓練模型。

圖1 遷移學習特征映射的方法示意圖Fig. 1 Schematic diagram of method for transfer learning feature mapping

遷移學習過程的重要特點是遷移學習的共享域。如果前后兩個任務具有相關性，則它們的部分參數(shù)會相似，使得卷積運算中獲取的特征也會相似。復雜紋理表面缺陷檢測任務中，復雜紋理的類型不同但缺陷類型一致。所以該檢測任務中的學習域相近并且任務相同，適合使用微調(diào)遷移學習。

本文選擇引入遷移學習的方法，先使用大量高質(zhì)量的仿真缺陷數(shù)據(jù)集對模型進行第1 次訓練，使得模型獲得對復雜紋理類表面缺陷的特征提取能力；再將模型遷移至由實際圖像數(shù)據(jù)組成的小樣本數(shù)據(jù)集進行遷移學習，使最終模型在該類人造木質(zhì)板材復雜紋理上達到比直接使用真實小樣本數(shù)據(jù)集訓練更好的效果。

2 復雜紋理表面缺陷檢測方法構建

為了應對實際應用中復雜紋理小樣本數(shù)據(jù)存在的問題，本文提出的缺陷檢測方法主要從數(shù)據(jù)集構建、深度學習模型優(yōu)化和遷移學習方法應用這3 個部分進行有針對性的優(yōu)化。數(shù)據(jù)集構建部分是根據(jù)實際檢測要求和已有素材，構建真實數(shù)據(jù)集和規(guī)模較大的仿真數(shù)據(jù)集；深度學習模型優(yōu)化部分，從網(wǎng)絡構架和網(wǎng)絡函數(shù)兩個角度進行優(yōu)化，使得模型獲得更好的收斂能力；遷移學習部分，利用遷移學習的特征映射原理，從模型訓練角度進行優(yōu)化，使得模型在多次訓練中獲得較好的特征提取能力和泛化能力。

2.1 數(shù)據(jù)集構建

構建數(shù)據(jù)集是深度學習的必要環(huán)節(jié)。本文選用人造木質(zhì)板材為樣例數(shù)據(jù)集，以此驗證復雜紋理缺陷檢測問題。人造木質(zhì)板材樣本是通過機器視覺方式進行采集，復雜紋理表面在圖像中呈現(xiàn)矩形，其花紋是由生產(chǎn)過程中機械通過算法隨機生成，花紋具有隨機性。數(shù)據(jù)集原始圖片由3 個批次構成，單個批次的板材數(shù)量少于40 張。由于原始數(shù)據(jù)集數(shù)據(jù)量過少且單張人造木質(zhì)板材的尺寸較大，直接輸入的方式會導致模型無法獲得足夠的特征信息。為了使模型盡可能獲得完整的缺陷信息，圖像預處理部分采用圖形圖像學的方法對產(chǎn)品表面區(qū)域進行等比例像素切割（如圖2 所示）。實際流水線上的原始數(shù)據(jù)集采集可能導致圖像中，矩形復雜紋理表面區(qū)域與水平方向有一定角度，所以在切割前需要進行圖像預處理將人造木質(zhì)板材表面圖像矯正成水平矩形。訓練數(shù)據(jù)集（即真實數(shù)據(jù)集）是通過滑塊切割的方式將原始數(shù)據(jù)集切割成若干塊尺寸為512×512 像素的彩色圖像。具體數(shù)據(jù)集規(guī)模如表1 所示。

圖2 原始圖像經(jīng)過預處理制作成數(shù)據(jù)集Fig. 2 Data set preprocessed by original images

表1 真實數(shù)據(jù)集參數(shù)Table 1 Parameters of real data set

切割后的訓練數(shù)據(jù)集不僅數(shù)量少，還存在樣本中缺陷數(shù)量過少的問題。表1 的3 個批次共950張圖片中，只有13 張圖片存在缺陷，這使得模型在訓練過程中極易出現(xiàn)過擬合現(xiàn)象。在訓練深度學習模型時，通常認為數(shù)據(jù)集的規(guī)模過小會引起模型的過擬合問題并影響模型的泛化能力，所以一般數(shù)據(jù)集的規(guī)模在萬張或者十萬張以上，這種規(guī)模的數(shù)據(jù)集的標注需要花費大量人力物力完成。為了解決這一問題，本文基于遷移學習的特征映射原理，構建缺陷數(shù)學模型并使用算法自動生成缺陷仿真數(shù)據(jù)集，以此低成本地擴充數(shù)據(jù)集樣本數(shù)量。

要想構建高質(zhì)量仿真數(shù)據(jù)集，首先需要掌握實際人造木質(zhì)板材的缺陷類型與缺陷特征。經(jīng)過產(chǎn)業(yè)經(jīng)驗分類，實際人造木質(zhì)板材的缺陷類型主要有表面油污、表面劃痕、板材缺損和花色缺失（如圖3 所示）。圖3 中，對照圖為人造木質(zhì)板材表面可能出現(xiàn)的4 類缺陷與無缺陷情況的對比，缺陷部分以紅色橢圓框體標注。

圖3 4 組表面無缺陷與表面缺陷對比（紅色虛線框標志部分為缺陷所在位置）Fig. 3 Comparison of four groups without and with surface defects, and red dotted line frame is location of defect

根據(jù)卷積神經(jīng)網(wǎng)絡原理，同種物體經(jīng)過卷積層多次運算后采集的特征相近。那么可以假設各種缺陷的形成原理是一致的，單個缺陷的數(shù)學模型是相似的，生成的缺陷在卷積網(wǎng)絡中獲取的特征也一定是相似的。表面油污是機油意外濺落在人造木質(zhì)板材表面，呈現(xiàn)散斑狀。分析認為，實際復雜表面油污樣本可以視為若干個單個油污斑塊隨機疊加而成。復雜表面油污可以表達為如（2）式所示的數(shù)學模型。

式中：Foil為生成的表面油污模型；Foil,i為第i個從真實表面油污樣本數(shù)據(jù)抽取的簡單的表面油污。Foil,i的中心坐標D(x,y)概率呈現(xiàn)二維正態(tài)分布情況，如（3）式所示。

式中：μ1、μ2、σ1、σ2、ρ均為常數(shù)。同理，真實情況下，表面劃痕是人造木質(zhì)板材被尖銳物體劃破表面產(chǎn)生一道底板顏色的細條狀缺陷。分析認為，表面劃痕的形狀是高度相似的，并且同批次人造木質(zhì)板材的劃痕缺陷色度分布情況是高度相似的。真實表面劃痕缺陷的一部分也是表面劃痕缺陷，復雜表面劃痕可以表達為如（4）式所示的數(shù)學模型。

式中：Fscr為生成的表面劃痕模型；Fscr,i為從真實表面油污樣本數(shù)據(jù)庫中隨機抽取的簡單的表面劃痕樣本；P是缺陷的矩陣位移量，表示將數(shù)據(jù)庫中的表面劃痕截取隨機部分并旋轉隨機角度后，擺放在無缺陷人造木質(zhì)板材圖像的隨機位置，以此生成仿真劃痕缺陷圖。

根據(jù)上述數(shù)學模型建立仿真表面油污和仿真表面劃痕仿真數(shù)據(jù)集（如圖4 所示）。首先，對真實數(shù)據(jù)集中的缺陷進行分離提取，構建真實缺陷圖庫；其次，根據(jù)數(shù)學模型生成具有相同特征的仿真缺陷；最后，通過圖形圖像學的方式在無缺陷圖像上生成仿真缺陷圖，并生成對應的標簽文件。

圖4 仿真數(shù)據(jù)集構建方法示意圖Fig. 4 Schematic diagram of construction method for simulation data set

根據(jù)所采集到的圖像，人造木質(zhì)板材除了表面油污和表面劃痕外，還存在板材缺損和花色缺失2 種缺陷。板材缺損是生成過程中冷壓、熱壓、裁邊等操作，導致板材邊緣由于應力擠壓而發(fā)生崩裂的情況，在矩形人造木質(zhì)板材的邊緣區(qū)域產(chǎn)生了缺口?；ㄉ笔菣C器打印表面花紋時，由于油墨變質(zhì)或者打印機故障等原因導致的非正常打印，使得該部分紋理在色度上與正常紋理不一致。相比表面油污和表面劃痕，板材缺損和花色缺失是在人造木質(zhì)板材表面上形成的尺寸大、形狀規(guī)則且區(qū)域色度與人造木質(zhì)板材表面花紋差距較大的缺陷。在構建仿真缺陷時使用隨機種子生成的板材缺損和花色缺失的區(qū)域，并且填充相應缺陷出現(xiàn)的像素，使得仿真缺陷獲得與真實缺陷相同的特征，可以達到模擬真實缺陷的效果。

通過上述數(shù)據(jù)增強的方法，本文構建了一個由7000張仿真缺陷圖片和6690 張無缺陷圖片組合而成的仿真缺陷數(shù)據(jù)集。

2.2 殘差網(wǎng)絡模型

本文構建的檢測方法使用GPU 進行訓練，實驗中深度學習使用Python 程序和Anaconda 進行環(huán)境配置，具體信息如表2 所示。為了解決小樣本數(shù)據(jù)集的模型劣化問題，以及模型冗余帶來的實際部署問題，本文選擇從激活函數(shù)和網(wǎng)絡深度兩個方面去尋找平衡點。

表2 實驗環(huán)境和具體參數(shù)Table 2 Experimental environment and specific parameters

深度學習網(wǎng)絡的激活函數(shù)是使網(wǎng)絡非線性分類的主要元素之一。針對人造木質(zhì)板材這類復雜紋理表面的小樣本缺陷檢測，優(yōu)化激活函數(shù)能夠使模型擬合到更好的效果。傳統(tǒng)激活函數(shù)ReLU如（5）式所示。

當卷積輸入x處于負值時神經(jīng)元失活，這導致數(shù)據(jù)量較少時容易出現(xiàn)過擬合現(xiàn)象。

為了解決這一問題，本文以訓練數(shù)據(jù)集為測試數(shù)據(jù)，選擇使用多個不同的激活函數(shù)代替ReLU 函數(shù)對其進行訓練（如圖5 所示）。其中函數(shù)Leaky-ReLU 在該數(shù)據(jù)集上的準確率（ACC）和損失值（LOSS）的表現(xiàn)明顯優(yōu)于其他激活函數(shù)，這是因為函數(shù)LeakyReLU 在負區(qū)間也存在一定梯度值，這避免了梯度消失的問題（如（6）式所示）。

圖5 不同激活函數(shù)在測試數(shù)據(jù)集上的準確率和收斂比較Fig. 5 Comparison of accuracy and convergence of different activation functions on test data sets

式中：ai是（0, +∞）的固定參數(shù)，其大小影響Leaky-ReLU 在負區(qū)間的斜率。ai過大會導致激活函數(shù)在負區(qū)間失活，ai過小會導致模型難以收斂，合適數(shù)值的ai會使得LeakyReLU 的區(qū)域線性代表其計算量相比ELU 這類激活函數(shù)更小并且收斂更快。通常認為ai的理論最優(yōu)值受到不同數(shù)據(jù)集或者不同任務的影響較大，需要對ai進行調(diào)參實驗以獲得理論最優(yōu)值。經(jīng)測試，ai為1e-2 時模型有優(yōu)于其他參數(shù)的表現(xiàn)。

理論上，殘差網(wǎng)絡的深度越深對特征的提取越多，但到達一定深度時會達到飽和值。為獲得合適的殘差網(wǎng)絡飽和深度，同樣選擇訓練數(shù)據(jù)集對模型進行測試。如圖6 所示，ResNet18、ResNet34、ResNet50 這3 種殘差網(wǎng)絡深度對于數(shù)據(jù)集的表現(xiàn)水平相近，不同網(wǎng)絡深度的準確率上升速度近似，最大準確率也幾乎相同，損失函數(shù)收斂情況相近，所以ResNet18 網(wǎng)絡深度對于該類數(shù)據(jù)集已經(jīng)達到飽和狀態(tài)。

圖6 不同網(wǎng)絡深度在測試數(shù)據(jù)集上的準確率和收斂比較Fig. 6 Comparison of accuracy and convergence of different network depths on test data sets

綜上所述，本方法構建了一個基于ResNet18優(yōu)化的網(wǎng)絡模型。如圖7 所示，此改進網(wǎng)絡由17個卷積層、3 個池化層和1 個全連接層組成。輸入模塊由1 個輸入模塊和平均池化層組成，輸入圖像信息通過簡單的池化壓縮，從RGB 三通道512×512像素圖像壓縮成三通道224×224 像素圖像，有效提升單張人造木質(zhì)板材的檢測效率。匯聚模塊由1 個步長為2 的7×7 卷積層和步長為2 的3×3 最大池化層組成，圖像信息通過大卷積和最大池化轉換成64 通道56×56 信息，從而達到優(yōu)秀的特征匯聚效果。殘差卷積部分由4 個階層、每個階層2 個殘差塊組成，每個殘差塊都由3×3 卷積層、激活層、映射層以及1×1 卷積組成。其中，殘差塊激活層選擇LeakyReLU 激活函數(shù)提升負區(qū)間的活性，映射層選擇使用恒等映射權重。分類模塊由平均池化層和全連接層組成，殘差塊輸出的信息通過平均池化層進行信息平均匯聚，再傳遞到全連接層進行分類。模型使用標準損失函數(shù)計算損失。

圖7 改進ResNet18 模型結構示意圖Fig. 7 Structure diagram of improved ResNet18 model

2.3 訓練與遷移學習

遷移學習特征映射原理使得特征提取能力在不同的學習中可以繼承?；谶@一特性，可以將仿真數(shù)據(jù)集中獲取的特征提取能力繼承到真實數(shù)據(jù)集訓練模型中。如圖8 所示，該方法首先使用高質(zhì)量仿真數(shù)據(jù)集對模型進行訓練，以此增強模型對缺陷特征的提取能力，從而解決小樣本訓練時模型的劣化問題；其次，將模型的卷積層參數(shù)遷移到新的模型中，并使用樣本數(shù)較少的真實數(shù)據(jù)集進行訓練。圖8 中，模型①為使用高質(zhì)量仿真數(shù)據(jù)集進行訓練獲得的卷積層，模型②卷積層的參數(shù)與模型1 卷積層的參數(shù)相同。

圖8 遷移學習方法Fig. 8 Schematic diagram of transfer learning method

測試過程中，為了驗證仿真數(shù)據(jù)集在不同類別人造木質(zhì)板材紋理檢測的兼容性，仿真數(shù)據(jù)集使用的原始數(shù)據(jù)集與真實數(shù)據(jù)集為不同批次類別紋理，以此避免使用同一類型紋理時，可能帶來的相似性導致的結果偏差。

3 實驗與結果分析

3.1 檢測系統(tǒng)性能

在工業(yè)檢測的實際應用中，召回率（Recall）、精確度（Precision）、準確率（Accuracy）和檢測時間（Time）是對于機器視覺檢測系統(tǒng)優(yōu)劣的主要評價指標。其中，召回率是系統(tǒng)正確歸類所有缺陷板材的比例（（7）式）；精確度是正確歸類為缺陷板材數(shù)量占所有歸類為缺陷板材數(shù)量的比例（式（8））；準確率表示所有正確歸類圖像數(shù)量與數(shù)據(jù)集總數(shù)量的比例（（9）式）。

式中：TP 是系統(tǒng)正確歸類為缺陷板材的數(shù)量；FP是系統(tǒng)錯誤歸類為缺陷板材的數(shù)量；TN 是系統(tǒng)正確歸類為正常板材的數(shù)量；FN 是系統(tǒng)錯誤歸類為正常板材的數(shù)量。

檢測系統(tǒng)的準確率測試中，使用了模擬數(shù)據(jù)集。所選擇的數(shù)據(jù)集樣本包括250 張帶有缺陷的圖片與250 張無缺陷圖片組成訓練集、105 張帶有缺陷的圖片與105 張無缺陷圖片組成驗證集、2450張帶有缺陷的圖片和350 張無缺陷圖片組成測試集。測試結果如表3 所示，可以看出該方法對板材缺損、花色缺失這2 種缺陷能夠達到全部準確檢測，對表面油污、表面劃痕這2 種缺陷該方法有較高準確率。該深度學習模型在人造木質(zhì)板材表面缺陷檢測中，準確率高且所花費時間較短，能夠滿足工業(yè)流水線實時檢測需求。

表3 在模擬數(shù)據(jù)集上檢測系統(tǒng)對四類缺陷的實驗結果Table 3 Experimental results of four types of defects by detection system on simulated data sets

3.2 遷移學習性能

為驗證提出的方法中遷移學習所體現(xiàn)的優(yōu)勢，對是否使用遷移學習進行了測試比較。真實測試實驗從流水線上采集3 批次不同類型的人造木質(zhì)板材圖片并將其分為批次A、批次B 和批次C，以批次A 圖片預訓練改進ResNet18 網(wǎng)絡模型，并與普通直接訓練方法在批次B 和批次C 上進行實際場景對比驗證實驗：首先以批次A 的人造木質(zhì)板材圖片為基礎訓練集，使用模擬缺陷的方式制作批次A 的仿真人造木質(zhì)板材數(shù)據(jù)集對模型進行訓練，其中批次A 仿真人造木質(zhì)板材數(shù)據(jù)集由1050張帶有缺陷圖片和對應的標簽組成；再分別使用直接訓練的方式或特征映射的方式驗證模型在小規(guī)模批次B 人造木質(zhì)板材圖片和批次C 人造木質(zhì)板材圖片上的表現(xiàn)，其中經(jīng)過簡單數(shù)據(jù)擴充（旋轉圖片）的批次B 人造木質(zhì)板材數(shù)據(jù)集由300 張無缺陷圖片、50 張帶有缺陷圖片和對應的標簽組成，經(jīng)過簡單數(shù)據(jù)擴充的批次C 人造木質(zhì)板材數(shù)據(jù)集由300 張無缺陷圖片、50 張帶有缺陷圖片和對應的標簽組成。測試實驗性能對比結果如圖9 所示，藍色實線代表模型使用遷移學習進行優(yōu)化訓練的平均準確率和損失值，紅色虛線代表模型直接學習小樣本數(shù)據(jù)集訓練的平均準確率和損失值。結果表明，使用遷移學習的準確率曲線上升速度更快并達到98.77%，并且損失函數(shù)的收斂程度更高，明顯優(yōu)于使用小樣本數(shù)據(jù)集進行直接訓練的結果。

圖9 遷移學習方法的準確率驗證Fig. 9 Accuracy verification of transfer learning method

為了進一步驗證本方法的優(yōu)越性，實驗同時引入多種深度學習網(wǎng)絡在數(shù)據(jù)集上進行測驗：密集連接神經(jīng)網(wǎng)絡DenseNet(Densely connected convolutional networks)通常被用于小樣本學習中；經(jīng)典輕量級網(wǎng)絡SqueezeNet 和高效卷積神經(jīng)網(wǎng)絡Mobile-Net 常被應用于工業(yè)領域的圖像分類問題。對比結果如表4 所示，可見，本文提出的方法準確率明顯優(yōu)于其他方法，并且較小的模型尺寸利于工業(yè)實際部署。

表4 本文方法與其他方法在真實數(shù)據(jù)集上的結果對比Table 4 Results comparison of proposed method and other methods on real data sets

4 結論

本文使用優(yōu)化骨干網(wǎng)絡和遷移學習特征映射的深度學習方法，解決了實際生產(chǎn)問題中復雜紋理表面缺陷檢測遇到的樣本數(shù)量少、數(shù)據(jù)集制作困難、相似問題難以互相兼容等問題。該方法通過優(yōu)化殘差網(wǎng)絡模型提升對圖像特征的提取能力，同時使用仿真數(shù)據(jù)集對模型進行遷移學習，有效提升了檢測準確率，并滿足實際部署的實時性和簡易性。實驗結果表明，本文構建的方法在面對人造木質(zhì)板材等復雜紋理產(chǎn)品表面缺陷檢測具有較高的準確率，同時對訓練數(shù)據(jù)集的規(guī)模要求較低，滿足實際工業(yè)應用的需求。