郭 峰，陳中舒，代久雙，吳云峰，劉 軍，張昌華

(1.電子科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院 成都 611731；2.電子科技大學(xué)機(jī)械與電氣工程學(xué)院 成都 611731；3.瀘州北方化學(xué)工業(yè)有限公司 四川 瀘州 646605)

包覆藥作為一種高能量材料，通常被嵌入固體火箭或?qū)棸l(fā)動機(jī)的動力系統(tǒng)中，其在高溫高壓的環(huán)境中通過燃燒產(chǎn)生能量，為該動力系統(tǒng)提供動力[1]。包覆藥外觀質(zhì)量直接關(guān)聯(lián)著其燃燒性能，進(jìn)而影響著該類動力系統(tǒng)的運行表現(xiàn)[2]，因此在制造過程中對其外觀質(zhì)量進(jìn)行實時檢測具有重要意義。

包覆藥外觀缺陷類型多樣，主要包括形狀缺陷、尺寸缺陷和表面缺陷。目前，包覆藥外觀缺陷是通過人工檢測的方式實現(xiàn)缺陷包覆藥的檢出，但該方法檢測效率低下，且檢測結(jié)果易受人工狀態(tài)影響。隨著信息化和智能化技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的視覺檢測技術(shù)憑借其具有特征自主提取、特征快速遷移等優(yōu)勢[3]，被廣泛應(yīng)用在實際生產(chǎn)制造等工業(yè)場景中[4-5]，下面將分述不同類型缺陷檢測的研究現(xiàn)狀。

包覆藥形狀缺陷檢測可被視為分類問題，即根據(jù)包覆藥的形狀表征將其分為斜角、黏合和形狀正常包覆藥。形狀表征是指基于包覆藥的輪廓及其內(nèi)部語義信息，挖掘用于描述不同形狀的規(guī)則。傳統(tǒng)形狀表征規(guī)則主要依賴于人工設(shè)計[6]，然而該規(guī)則易受環(huán)境干擾、魯棒性較差。隨著文獻(xiàn)[7]對形狀表征深入的研究，基于形狀的自然圖像分類問題在機(jī)器視覺領(lǐng)域得到快速普及。此外，受益于神經(jīng)網(wǎng)絡(luò)平移不變性質(zhì)，即使圖像中目標(biāo)對象發(fā)生平移、旋轉(zhuǎn)、縮放等變化，深度分類器仍能取得較好的圖像分類效果，已成為解決圖像分類問題的主流方法[8]。

包覆藥尺寸缺陷本質(zhì)上可歸結(jié)為尺寸測量問題，不在尺寸范圍內(nèi)的過長和過短包覆藥均被視為尺寸缺陷包覆藥。目前基于圖像的尺寸測量多數(shù)是根據(jù)圖像二值化、分水嶺分割等傳統(tǒng)圖像處理算法[9-10]，但此類算法易受閾值約束，難以適配光照變化、環(huán)境噪聲和復(fù)雜背景等場景。本文將深度分割網(wǎng)絡(luò)[11]作為尺寸缺陷檢測過程的預(yù)處理模型，利用深度學(xué)習(xí)特征自主提取等性質(zhì)將包覆藥從復(fù)雜背景中分割出來，將包含復(fù)雜背景的包覆藥圖像轉(zhuǎn)換為包覆藥區(qū)域像素為255、其余區(qū)域像素為0 的二值掩碼圖像。之后通過空間坐標(biāo)轉(zhuǎn)換規(guī)則，實現(xiàn)尺寸缺陷檢測。

包覆藥表面缺陷包括表面凹坑、裂痕等可視缺陷?；谏疃葘W(xué)習(xí)的表面缺陷檢測方法目前在NEU-CLS 和KolektorSDD 等工業(yè)數(shù)據(jù)集上均取得了顯著的表現(xiàn)[12-13]。然而，上述基于有監(jiān)督學(xué)習(xí)的表面缺陷檢測依賴于大量有標(biāo)簽缺陷數(shù)據(jù)，難以適配包覆藥表面缺陷數(shù)據(jù)稀缺場景。受文獻(xiàn)[14]啟發(fā)，本文將表面缺陷檢測視為無監(jiān)督學(xué)習(xí)任務(wù)，只利用正樣本數(shù)據(jù)實現(xiàn)表面缺陷包覆藥的檢出。

雖然目前存在眾多基于視覺的缺陷檢測方法，但大多數(shù)方法主要集中解決單一缺陷類型，難以同時實現(xiàn)包覆藥形狀缺陷、尺寸缺陷和表面缺陷檢測，開發(fā)一個能夠同時完成上述3 種缺陷的檢測框架迫在眉睫。同時，目前深度檢測算法被嵌入邊緣設(shè)備端，然而該類邊緣設(shè)備存儲和運算性能均有限，確保模型輕量化對實時檢測極其重要。此外，不同檢測任務(wù)所需特征存在重疊交叉，不同檢測任務(wù)間具有強(qiáng)相關(guān)性，如何有效利用任務(wù)相關(guān)信息，在去除冗余特征的同時加速模型收斂過程至關(guān)重要。針對上述問題，本文提出了一種基于動態(tài)先驗特征的包覆藥多類型外觀缺陷檢測框架，主要貢獻(xiàn)包括以下3 點。

1）本文提出的多類型外觀缺陷檢測框架能夠同時實現(xiàn)包覆藥形狀、尺寸和表面缺陷的檢測。

2）本文將用于形狀缺陷檢測的深度分類器和用于尺寸缺陷檢測的深度分割網(wǎng)絡(luò)集成，移除不同任務(wù)間的冗余特征，并利用梯度停止策略阻止不同任務(wù)訓(xùn)練過程相互干擾，確保模型收斂。此外，本文設(shè)計了一種基于深度卷積自編碼器的表面缺陷檢測方法，只需正樣本就可實現(xiàn)表面缺陷的檢出。

3）本文提出了一種基于動態(tài)先驗特征的空間注意力機(jī)制，將深度分割網(wǎng)絡(luò)迭代過程中形成的過程信息作為動態(tài)先驗特征，指導(dǎo)深度分類器和深度卷積自編碼器快速聚焦于包覆藥，抑制任務(wù)無關(guān)特征干擾模型訓(xùn)練過程，加速模型收斂速度。

1 基礎(chǔ)知識及實驗平臺

1.1 基礎(chǔ)知識

本文提出的包覆藥多類型外觀缺陷檢測框架主要包括兩個子模型：深度分割網(wǎng)絡(luò)和卷積自編碼器（convolutional autoencoder, CAE）[15]。這兩個子模型含有一個共同的結(jié)構(gòu)，稱為編碼-解碼結(jié)構(gòu)。其中，編碼器通過逐層降維捕獲語義信息，而解碼器利用上采樣操作逐漸恢復(fù)圖像空間信息，編碼器和解碼器呈相互對稱結(jié)構(gòu)。編碼-解碼結(jié)構(gòu)與卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）的結(jié)合，在工業(yè)缺陷檢測領(lǐng)域取得了廣泛的關(guān)注。此外受益于CNN 的參數(shù)共享和局部連接特性[15-16]，編碼-解碼模型的參數(shù)量得以大幅減少。

深度分割網(wǎng)絡(luò)中的解碼器用于生成不同語義的分割圖，而CAE 中的解碼器用于重構(gòu)輸入。與線性自編碼器不同的是，CAE 可保留二維圖像的空間信息，并在局部位置實現(xiàn)參數(shù)共享。CAE 主要由一個編碼器h=e(x)和 一個解碼器y=d(h)組成，其中h表示輸入圖像x的低維表征。編碼器能夠?qū)W習(xí)輸入圖像低維表征，而解碼器利用該表征盡可能無差重構(gòu)輸入圖像。CAE 通過最小化式(1)實現(xiàn)模型參數(shù)訓(xùn)練，其具體表述如下：

式中，xi表 示n個 輸入圖像中的第i個樣本。本文將利用CAE 能夠重構(gòu)輸入的能力，完成包覆藥表面缺陷檢測任務(wù)，有如下優(yōu)勢：訓(xùn)練過程無須表面有缺陷樣本；CAE 易于分割形狀不規(guī)則缺陷；CAE能從復(fù)雜背景中準(zhǔn)確檢測表面缺陷。

1.2 實驗平臺

包覆藥外觀缺陷檢測平臺主要由5 個部分組成：物料供應(yīng)裝置、喂料裝置、檢測裝置、控制裝置和清潔裝置，如圖1a 所示。物料供應(yīng)裝置是待測包覆藥臨時存儲的區(qū)域。喂料裝置用于將待測包覆藥沿著導(dǎo)軌輸送至檢測裝置。當(dāng)待測包覆藥經(jīng)過相機(jī)時，包覆藥圖像信息被實時采集。該平臺采用如圖1b 所示的三相機(jī)協(xié)同檢測裝置，分別從不同方位采集包覆藥空間信息，并將采集到的圖像傳輸至控制裝置，完成圖像分析和數(shù)據(jù)處理任務(wù)。其中，本文提出的包覆藥多類型外觀缺陷深度檢測框架被部署在控制裝置中，該裝置根據(jù)檢測結(jié)果控制相關(guān)氣動裝置動作，實現(xiàn)缺陷包覆藥的自主離群。清潔裝置避免灰塵等雜質(zhì)影響成像質(zhì)量。本文利用該平臺采集到的圖像數(shù)據(jù)完成包覆藥多類型外觀缺陷深度檢測框架的訓(xùn)練及測試。

圖1 檢測平臺

2 模型設(shè)計

本文提出的基于動態(tài)先驗特征的包覆藥多類型外觀缺陷深度檢測框架如圖2 所示。該框架包括兩個階段：形狀和尺寸缺陷檢測、表面缺陷檢測。其中，第一階段通過多任務(wù)學(xué)習(xí)技術(shù)，將基于深度分類器的形狀缺陷檢測和基于深度分割網(wǎng)絡(luò)的表面缺陷檢測模型進(jìn)行集成；第二階段利用卷積自編碼器重構(gòu)輸入，并通過對比原始圖像和重構(gòu)圖像間的像素值，完成表面缺陷的檢出。此外，本文設(shè)計了一種基于動態(tài)先驗特征的空間注意力機(jī)制，用于抑制任務(wù)不相關(guān)特征干擾訓(xùn)練過程，加速模型收斂速度。

圖2 包覆藥多類型外觀缺陷深度檢測框架

2.1 基于動態(tài)先驗特征的空間注意力機(jī)制

不同類型缺陷的檢測依賴于不同特征，因此需根據(jù)不同缺陷特征設(shè)計不同檢測模型。然而，包覆藥不同類型缺陷的檢測過程所需特征存在重疊交叉，不同任務(wù)間具有較強(qiáng)的相關(guān)性。如形狀缺陷檢測和尺寸缺陷檢測均依賴于包覆藥外輪廓等特征（任務(wù)相關(guān)特征中的共有特征），且三者缺陷檢測均需聚焦于包覆藥，抑制背景噪聲干擾（任務(wù)無關(guān)特征中的共有特征），如圖3 所示。因此根據(jù)不同任務(wù)間的強(qiáng)相關(guān)屬性，通過易于獲取的共有特征指導(dǎo)其余任務(wù)中的模型學(xué)習(xí)，對去除冗余特征、避免特征重復(fù)提取、加速模型收斂至關(guān)重要。

圖3 不同任務(wù)特征相關(guān)性示意圖

針對上述問題，本文設(shè)計了一種基于動態(tài)先驗特征的空間注意力機(jī)制，將深度分割網(wǎng)絡(luò)訓(xùn)練時形成的過程特征，作為分類器和卷積自編碼器訓(xùn)練時的動態(tài)先驗信息，指導(dǎo)形狀和表面缺陷檢測模型快速聚焦于包覆藥區(qū)域，避免耗費過多算力和時間重復(fù)提取任務(wù)不相關(guān)特征，具體如下。

1）深度分割網(wǎng)絡(luò)可從復(fù)雜背景中逐像素分割出包覆藥區(qū)域?；诖讼闰炐畔ⅲ疚膶⑸疃确指罹W(wǎng)絡(luò)在第n次迭代后形成的最后一層特征圖，作為分類器第 (n+1)次迭代過程時的動態(tài)先驗特征，即將第n次迭代后的最后一層特征經(jīng)過下采樣操作downscale()， 并與第(n+1)次迭代時由共享特征層輸送至深度分類器的特征逐像素相乘，確保圖像級別分類器將注意力快速聚集于包覆藥區(qū)域，加速模型收斂過程，如圖2 所示。此時，基于動態(tài)先驗特征修正后的分類器損失函數(shù)表達(dá)式為：

式中，k表示分類數(shù)量； [y=i]代 表若預(yù)測類別y等于i，則值為1，否則為0；pi是 類別y被預(yù)測為標(biāo)簽i的概率。

2）該動態(tài)特征映射為與表面缺陷檢測模型輸入特征相同尺寸，之后二者逐像素相乘，利用動態(tài)先驗特征指導(dǎo)CAE 快速聚焦于包覆藥，抑制背景噪聲干擾。此外，本文利用先驗特征修正深度卷積自編碼器損失函數(shù)，其表達(dá)式為：

式中，mask 代表基于動態(tài)先驗特征的注意力圖。

2.2 包覆藥多類型外觀缺陷深度檢測框架

2.2.1 第一階段：形狀和尺寸缺陷檢測

由于形狀缺陷和尺寸缺陷均依賴于包覆藥輪廓及其內(nèi)部語義特征，因此兩個任務(wù)所需特征之間具有強(qiáng)相關(guān)性。受文獻(xiàn)[17]啟發(fā)，本文將基于深度分類器的形狀缺陷檢測和基于深度分割網(wǎng)絡(luò)的尺寸缺陷檢測模型集成，去除不同任務(wù)間的冗余特征，如圖2 所示。具體而言，本文將深度分割網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，并在其自編碼器結(jié)構(gòu)后設(shè)計額外的深度分類器，保證兩個任務(wù)共享特征提取網(wǎng)絡(luò)層。為了實現(xiàn)端到端訓(xùn)練，利用深度分割網(wǎng)絡(luò)和深度分類器損失函數(shù)聯(lián)合優(yōu)化，具體表達(dá)式為：

式中，L分割和L分類分別代表深度分割網(wǎng)絡(luò)和深度分類器損失函數(shù)，其中L分類采用修正后的損失函數(shù)，如式(3)； λ是一個動態(tài)均衡因子，用于平衡兩個任務(wù)的訓(xùn)練過程； δ是一個阻止深度分類器主導(dǎo)整個損失函數(shù)的超參數(shù)。 λ可表示為：

式中，n和T分別代表當(dāng)前迭代的次數(shù)和總迭代次數(shù)。由于深度分類器是基于圖像級別的標(biāo)簽，而深度分割網(wǎng)絡(luò)是基于像素級別的標(biāo)簽，兩個任務(wù)在訓(xùn)練過程中將互相干擾。因此，本文設(shè)計動態(tài)均衡因子 λ，確保集成模型在訓(xùn)練早期學(xué)習(xí)深度分割特征，而在訓(xùn)練后期學(xué)習(xí)深度分類特征，促使模型穩(wěn)定收斂。同時，本文將深度分類器向共享特征網(wǎng)絡(luò)層傳播的梯度停止，避免兩個任務(wù)訓(xùn)練過程互相干擾。此外，該集成模型引入基于動態(tài)先驗特征的空間注意力機(jī)制，利用深度分割網(wǎng)絡(luò)過程特征指導(dǎo)深度分類器快速聚焦于包覆藥，避免任務(wù)無關(guān)特征干擾深度分類器收斂。

形狀缺陷檢測可通過深度分類器實現(xiàn)粘連、斜角形狀缺陷包覆藥檢出。尺寸缺陷檢測包括兩個關(guān)鍵環(huán)節(jié)：坐標(biāo)空間轉(zhuǎn)換和尺寸缺陷檢測。其中，坐標(biāo)空間轉(zhuǎn)換是為了確定像素當(dāng)量，即圖像坐標(biāo)系中像素代表的實際空間距離。本文采用文獻(xiàn)[18]提出的標(biāo)定方法，確定像素當(dāng)量為0.012 mm。包覆藥實際尺寸可通過像素當(dāng)量和像素數(shù)量乘積確定，其中尺寸正常包覆藥的上界和下界分別是12 mm和10 mm。尺寸缺陷檢測方法包括4 個步驟。

1）通過深度分割網(wǎng)絡(luò)，獲得分割掩碼。

2）基于分割掩碼，得到包覆藥像素數(shù)量。

3）通過像素當(dāng)量與像素數(shù)量間的乘積，確定包覆藥測量尺寸。

4）測量尺寸分別與包覆藥上界和下界比較，若當(dāng)前尺寸處于二者之間，則為正常包覆藥，否則為尺寸缺陷包覆藥。

2.2.2 第二階段：表面缺陷檢測

包覆藥只占據(jù)圖像部分區(qū)域，因此表面缺陷檢測過程只需關(guān)注包覆藥區(qū)域?；诖?，本文提出了一種基于動態(tài)先驗特征的空間注意力機(jī)制，促使CAE 模型訓(xùn)練及測試過程均能快速聚焦于包覆藥，避免背景噪聲等任務(wù)無關(guān)特征干擾，其具體可表現(xiàn)在3 個方面。

1）在訓(xùn)練階段，將深度分割網(wǎng)絡(luò)最后一層特征圖映射為與卷積自編碼器第一層特征圖相同尺寸，并將該信息作為先驗特征，指導(dǎo)CAE 模型將注意力快速聚焦于包覆藥。

2）在測試階段，將深度分割網(wǎng)絡(luò)生成的分割掩碼映射為與表面缺陷檢測過程生成的殘差圖像相同尺寸，之后二者逐像素作積，避免背景噪聲等異常像素干擾缺陷檢測，如圖4 所示。

圖4 基于卷積自編碼器的表面缺陷檢測流程

3）將分割掩碼作為約束信息，修正MSE 損失函數(shù)，避免背景等任務(wù)無關(guān)特征參與到模型訓(xùn)練過程當(dāng)中，修正后的損失函數(shù)如式(4)。

本文提出的卷積自編碼器只需表面正常包覆藥圖像數(shù)據(jù)就可完成模型訓(xùn)練，無須人工手動標(biāo)注，其工作原理如下。

1）將分割掩碼的外接矩形作為基準(zhǔn)，對原始輸入圖像進(jìn)行裁剪。

2）將裁剪后的圖像作為表面缺陷檢測模型的輸入，利用CAE 的編碼器提取低維非線性特征，并通過設(shè)計金字塔池化結(jié)構(gòu)[12]和跨層連接機(jī)制[19]，捕獲多尺度特征，細(xì)化缺陷邊界。

3）基于提取到的多尺度低維特征，CAE 的解碼器盡可能無差重構(gòu)出輸入圖像，并利用修正后的損失函數(shù)式(4)訓(xùn)練模型參數(shù)。

4）設(shè)計基于橢圓的偽缺陷訓(xùn)練策略，提升模型的魯棒性，即通過控制橢圓形狀參數(shù)而隨機(jī)生成不同類型缺陷樣式，如長短軸之比為1 則為凹坑缺陷；長短軸之比接近0 則為裂縫缺陷；此外，本文將輸入圖像裁剪為若干小尺寸樣本進(jìn)行重構(gòu)，樣本重構(gòu)均值為重構(gòu)圖像像素。

5）CAE 訓(xùn)練過程只依賴于正樣本，因此CAE只具備重構(gòu)表面無缺陷樣本的能力，故可通過計算輸入圖像與重構(gòu)圖像像素差值，獲得缺陷信息。

6）本文設(shè)計了一種缺陷得分策略，用于量化表面缺陷，其具體表達(dá)式為：

3 實驗與分析

3.1 實驗數(shù)據(jù)和實驗環(huán)境

本文數(shù)據(jù)集來源于包覆藥外觀缺陷檢測平臺實際采集到的圖像數(shù)據(jù)，共包含像素為480 pixel×480 pixel的982 張灰度圖像。其中，表面缺陷數(shù)據(jù)有54 張，形狀缺陷圖像253 張，尺寸缺陷圖像345 張。本文將數(shù)據(jù)按照6:3:1 的比例隨機(jī)劃分為訓(xùn)練、測試和驗證數(shù)據(jù)集。此外，為了提高檢測模型對光照等外界因子的魯棒性，本文將訓(xùn)練數(shù)據(jù)通過增低亮度、變化對比度和銳度、增加噪聲等方式，將訓(xùn)練數(shù)據(jù)集擴(kuò)充為原來的5 倍。

本文使用配置有Intel Core i7-9700K CPU 和NVIDIA RTX Titan GPU 的實驗環(huán)境，用于模型的訓(xùn)練和測試。同時，借助PyTorch 1.3 和OpenCV 3.4 等視覺函數(shù)庫，完成多缺陷檢測模型的前處理及后處理操作。將訓(xùn)練時最小批次設(shè)置為32；采用動量為0.9、權(quán)重衰減系數(shù)為2×10-3的隨機(jī)梯度下降法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型；最大迭代次數(shù)為1 000；初始學(xué)習(xí)率為0.001。

3.2 評價指標(biāo)

本文利用精確率、召回率、準(zhǔn)確率和F1 分?jǐn)?shù)等指標(biāo)對多缺陷深度檢測框架的性能進(jìn)行評估。其中，深度分割網(wǎng)絡(luò)的分割效果利用IoU[11]指標(biāo)進(jìn)行評估。上述指標(biāo)可表示為：

式中，TP 和FP 分別表示有缺陷和無缺陷的樣本被預(yù)測為有缺陷樣本的數(shù)量；TN 和FN 分別表示無缺陷和有缺陷的樣本分別被預(yù)測為無缺陷的樣本；精確率用于描述檢測結(jié)果中被正確預(yù)測的比例；召回率代表有缺陷樣本被檢測到的數(shù)量；準(zhǔn)確率表示缺陷檢測結(jié)果的總效果；F1 分?jǐn)?shù)作為精確率和召回率的調(diào)和平均數(shù)，能夠緩解數(shù)據(jù)分布不均衡對檢測結(jié)果的影響。DR 和GT 分別表示包覆藥的預(yù)測和標(biāo)注邊框。式(12)表示預(yù)測框和標(biāo)注框之間的交并比，用于衡量兩個集合的重疊程度，且該交并比越接近1 表明預(yù)測效果越好。除了上述評價指標(biāo)之外，本文利用參數(shù)數(shù)量和檢測速度指標(biāo)評估多缺陷檢測模型的計算復(fù)雜度。

3.3 形狀缺陷和尺寸缺陷檢測結(jié)果

由于形狀缺陷檢測和尺寸缺陷檢測均依賴于包覆藥輪廓等特征，因此本文也驗證了將尺寸缺陷檢測也視為分類任務(wù)，即利用深度分類器完成尺寸缺陷包覆藥檢出的效果。圖5 所示的混淆矩陣表示包覆藥形狀缺陷檢測結(jié)果，其對角線上的值代表每個種類的召回率?？梢杂^察到，深度分類器除了在過長和過短缺陷上，均表現(xiàn)出較好的檢測結(jié)果。具體而言，當(dāng)過長和過短缺陷被視為分類任務(wù)時，部分樣本將出現(xiàn)誤分類現(xiàn)象，上述兩種缺陷的召回率分別是76.92%和83.12%。這是由于CNNs 在下采樣過程中，損失了圖像尺寸精度信息，導(dǎo)致尺寸缺陷難以被視為分類任務(wù)。

圖5 形狀缺陷檢測結(jié)果

由于深度分割網(wǎng)絡(luò)的分割精度直接影響著尺寸缺陷檢測的準(zhǔn)確率，因此本文對目前幾種主流的深度分割網(wǎng)絡(luò)分割性能進(jìn)行測試和選型，如FCN[20]、U-Net[21]、DeepLabv3[22]和DeepLabv3+[11]。表1 表明DeepLabv3+的性能明顯優(yōu)于其余幾種模型，被選為本文尺寸缺陷檢測的主干網(wǎng)絡(luò)。此外，本文對形狀和尺寸缺陷檢測集成模型的性能進(jìn)行評估。如表2 所示，集成模型在各項指標(biāo)上均明顯優(yōu)于單獨模型，表明深度分類器和深度分割網(wǎng)絡(luò)在訓(xùn)練過程中互相受益，且能夠有效去除不同任務(wù)間的冗余特征。

表1 主流的深度分割檢測頭分割結(jié)果對比

表2 單獨模型和集成模型檢測結(jié)果對比

3.4 表面缺陷檢測結(jié)果

將提出的表面缺陷檢測模型與其余兩種基于自編碼器的表面缺陷檢測模型性能進(jìn)行比較。需要特別注意的是：3 種表面缺陷檢測模型只需要表面無缺陷樣本就可完成參數(shù)訓(xùn)練。此外，87 張表面無缺陷樣本和54 張表面有缺陷樣本被用于測試表面缺陷檢測模型的性能。

1）降噪自編碼器 （denoising autoencoder, dAE）[23]：隨機(jī)污染輸入圖像，并基于噪聲樣本訓(xùn)練模型，確保模型具有強(qiáng)魯棒性。

2）變分自編碼器 （variational autoencoder, vAE）[24]：該自編碼器作為一種推斷生成式網(wǎng)絡(luò)結(jié)構(gòu)，利用概率形式對潛在空間進(jìn)行描述。

為了公平比較不同模型的檢測性能，上述3 種表面缺陷檢測模型均設(shè)定了相同的超參數(shù)。如表3所示，本文模型的F1 分?jǐn)?shù)達(dá)到97.30%，檢測結(jié)果明顯優(yōu)于降噪自編碼器和變分自編碼。雖然本文提出模型的檢測速度略低于其余兩種模型，但該模型的參數(shù)量遠(yuǎn)低于其余兩種模型，更易被部署于邊緣設(shè)備端。此外，表面缺陷檢測模型檢測速度低于其余模型的主要原因是：圖像在前處理和后處理過程中損耗了額外的時間。

表3 本文模型與其余兩種表面缺陷檢測結(jié)果對比

通過消融實驗，對本文所提各種策略進(jìn)行評估。如表4 所示，重疊訓(xùn)練策略對表面缺陷檢測結(jié)果影響最大，F(xiàn)1 分?jǐn)?shù)直接從65.85%提升至97.30%。此外，跨層連接機(jī)制、金字塔池化結(jié)構(gòu)、基于橢圓偽缺陷訓(xùn)練策略、空間注意力機(jī)制導(dǎo)致F1 分?jǐn)?shù)分別提升25.76%、19.04%、16.22%和11.06%。實驗結(jié)果表明：本文所提各種策略均能有效提高表面缺陷檢測性能。表面缺陷檢測結(jié)果如圖6 所示。不難發(fā)現(xiàn)，缺陷區(qū)域的像素明顯高于無缺陷區(qū)域的像素。當(dāng)缺陷得分高于閾值時，則認(rèn)為當(dāng)前區(qū)域存在表面缺陷，否則為表面無缺陷區(qū)域。圖6a 表示包覆藥表面無缺陷，圖6b 和圖6c 分別表示包覆藥表面存在凹坑和裂痕缺陷。

表4 表面缺陷檢測消融實驗對比

圖6 表面缺陷檢測結(jié)果

3.5 框架整體性能評估

本節(jié)將評估多缺陷深度檢測框架整體性能，測試結(jié)果如表5 所示。其中，形狀缺陷、尺寸缺陷和表面缺陷的檢測準(zhǔn)確率分別達(dá)到99.43%、95.90%、97.87%，滿足實際生產(chǎn)需求。而尺寸缺陷檢測性能略低于其余兩種類型缺陷，成為進(jìn)一步提升包覆藥整體檢測性能的關(guān)鍵環(huán)節(jié)。

表5 多缺陷檢測結(jié)果 %

4 結(jié) 束 語

本文提出了一種基于動態(tài)先驗特征的包覆藥多類型外觀缺陷深度檢測框架，用于同時檢測包覆藥形狀、尺寸和表面缺陷。該框架包括兩個階段。

1）將用于形狀缺陷檢測的深度分類器和用于尺寸缺陷檢測的深度分割網(wǎng)絡(luò)集成，去除不同任務(wù)間的冗余特征，減少模型參數(shù)量。

2）利用卷積自編碼器實現(xiàn)包覆藥表面缺陷檢測，降低人工手動標(biāo)注成本。本文根據(jù)不同檢測任務(wù)間具有強(qiáng)相關(guān)屬性，設(shè)計了一種基于動態(tài)先驗特征的空間注意力機(jī)制，將深度分割網(wǎng)絡(luò)迭代過程中形成的過程特征作為深度分類器和卷積自編碼器的動態(tài)先驗特征，確保不同檢測任務(wù)在訓(xùn)練過程時快速聚焦于包覆藥區(qū)域，避免任務(wù)無關(guān)特征重復(fù)提取，加快模型收斂速度。實驗結(jié)果表明，本文提出的包覆藥多缺陷檢測框架在模型功耗、檢測效率及檢測準(zhǔn)確率等方面均明顯優(yōu)于其余檢測方法，更易被部署于邊緣檢測設(shè)備。