基于先驗(yàn)知識(shí)的換向器表面缺陷異常檢測(cè)方法

向 旺

(廣東工業(yè)大學(xué)，廣東 廣州 510006)

近年，隨著工業(yè)的發(fā)展，在生產(chǎn)過(guò)程中產(chǎn)品進(jìn)行缺陷檢測(cè)也變得越來(lái)越重要，如電子產(chǎn)品表面、瓷瓦表面等，有助于改善廠家的生產(chǎn)工藝，提高產(chǎn)品的質(zhì)量。同時(shí)隨著產(chǎn)品復(fù)雜性增加，對(duì)視覺(jué)檢測(cè)的挑戰(zhàn)也隨之增加。

電機(jī)是被廣泛應(yīng)用的重要設(shè)備，換向器作為電機(jī)核心器件之一，有必要對(duì)其質(zhì)量嚴(yán)格把關(guān)。由于換向器產(chǎn)品缺陷多樣性以及背景復(fù)雜性，對(duì)換向器缺陷數(shù)據(jù)的獲取和標(biāo)注難度很高，同時(shí)也很難覆蓋所有類型的缺陷。

本研究提出一種基于先驗(yàn)知識(shí)的換向器缺陷異常檢測(cè)方法，僅使用無(wú)缺陷正常樣本，第一階段通過(guò)對(duì)正常樣本建立灰度分布模型，通過(guò)異常評(píng)分，獲取到先驗(yàn)異常檢測(cè)圖。第二階段結(jié)合先驗(yàn)異常檢測(cè)圖進(jìn)行異常檢測(cè)中可以拉高局部區(qū)域的異常，使得后續(xù)異常檢測(cè)更關(guān)注異常區(qū)域。

1 相關(guān)工作

近年來(lái)，人們研究了各種異常檢測(cè)算法。一類支持向量機(jī)(OC-SVM)[1]和支持向量數(shù)據(jù)描述(SVDD)[2]是用于一類分類的經(jīng)典算法。給定內(nèi)核功能，OC-SVM從內(nèi)核空間的原點(diǎn)中尋找最大余量的超平面, 同樣，SVDD在內(nèi)核空間中搜索包含數(shù)據(jù)的超球。

早期的深度學(xué)習(xí)方法將自動(dòng)編碼器用于異常檢測(cè)[3,4]這些自動(dòng)編碼器已使用常規(guī)訓(xùn)練數(shù)據(jù)進(jìn)行了訓(xùn)練，但無(wú)法提供異常圖像的準(zhǔn)確重建。因此，重建與輸入之間的差異表示異常，Gong等提出了MemAE來(lái)顯式抑制泛化能力降低漏檢[5]。此外還積極地探索對(duì)抗訓(xùn)練，以區(qū)分異常數(shù)據(jù)。通常，生成器學(xué)習(xí)生成類似于訓(xùn)練數(shù)據(jù)的真實(shí)數(shù)據(jù)，并且鑒別器被訓(xùn)練以區(qū)分?jǐn)?shù)據(jù)是從生成器生成的(偽造的)還是從訓(xùn)練數(shù)據(jù)生成的(真實(shí)的)[6]。鑒別器學(xué)習(xí)訓(xùn)練數(shù)據(jù)周圍的決策邊界，并在測(cè)試期間用作異常檢測(cè)器。SaboKrou等對(duì)抗性地訓(xùn)練了帶有自動(dòng)編碼器的鑒別器，以從原始圖像和失真圖像中對(duì)重構(gòu)圖像進(jìn)行分類[7]。鑒別器在測(cè)試過(guò)程中用作異常檢測(cè)器。PidhorsKyi[8]等使用對(duì)抗性自動(dòng)編碼器[9]來(lái)學(xué)習(xí)圖像特征，并估計(jì)異常檢測(cè)的概率分布。

圖1 方法框架

2 方法

2.1 獲取先驗(yàn)異常圖

由于工業(yè)產(chǎn)品具有高度的相似性，正常樣本的灰度應(yīng)當(dāng)服從某一分布，而缺陷區(qū)域的灰度分布應(yīng)當(dāng)與該分布有較大的差距?；谶@個(gè)假設(shè)，我們采用高斯混合模型擬合獲取這個(gè)灰度分布，而為了關(guān)注局部細(xì)微信息，我們逐Patch擬合不同位置區(qū)域的高斯分布，以某Patch與正常分布的差距，衡量當(dāng)前Patch的異常程度，從而可以得到先驗(yàn)異常檢測(cè)圖。先驗(yàn)異常檢測(cè)圖在后續(xù)的深度異常檢測(cè)中可以拉高局部區(qū)域的異常，使得后續(xù)異常檢測(cè)更關(guān)注異常區(qū)域。

2.1.1 圖像分塊。先將預(yù)處理的一幅m×n灰度圖S(i)分成p×q塊子圖像，即：

(1)

i=1,2,…,M,k=1,2,…,p;l=1,2,…,q

(2)

2.1.2 高斯先驗(yàn)異常圖。將測(cè)試樣本切割為子圖像并展開(kāi)成向量，將所得向量按以下規(guī)則作先驗(yàn)異常評(píng)分。

(3)

2.2 位置相關(guān)子圖像支持向量數(shù)據(jù)描述

認(rèn)為工業(yè)產(chǎn)品的正常樣本服從同一分布，其某些特征存在高度相似性，為了提取圖像特征，受文獻(xiàn)[10]啟發(fā)，提出了位置相關(guān)子圖像支持向量數(shù)據(jù)描述(Position-Patch SVDD)：本方法提出一種位置相關(guān)子圖像支持向量數(shù)據(jù)描述，將每個(gè)子圖像位置的特征作為一個(gè)聚類中心，引導(dǎo)神經(jīng)網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練樣本使用上一步的正常樣本，由于認(rèn)為正常樣本不存在異常，所以將第四通道設(shè)為全0，如式4所示。

(4)

在訓(xùn)練圖像上隨機(jī)選擇位置切割子圖像，設(shè)置兩種不同尺度，切割的Patch尺寸分別為Hbig×Wbig×4,Hsmall×Wsmall×4，輸入神經(jīng)網(wǎng)絡(luò)fθ訓(xùn)練。

損失函數(shù)。由于工業(yè)產(chǎn)品具有高度相似性，不同樣本的同一位置應(yīng)當(dāng)具有一定的相似性，基于此假設(shè)，提出自聚類損失函數(shù)LSVDD，引導(dǎo)網(wǎng)絡(luò)將不同圖像的同一位置的Patch編碼相近，損失函數(shù)如下：

(5)

自監(jiān)督學(xué)習(xí)：由于圖像灰度變化具有上下文相關(guān)性，以當(dāng)前Patch為中心，將其8鄰域Patch分別編碼為0，1，…，7，從中隨機(jī)挑選一個(gè)Patch，引導(dǎo)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)二者相對(duì)位置，以更好地提取圖像信息，稱為自監(jiān)督損失LSSL，如式6所示。

LSSL=Cross_entropy(y,CΦ(fθ(p1),fθ(p2)))

(6)

CΦ是一個(gè)8分類器，P1是當(dāng)前Patch,P2是從臨近區(qū)域隨機(jī)選擇的一個(gè)Patch。

綜上，損失函數(shù)如式7所示：

LPatch SVDD=λLSVDD+LSSL

(7)

2.3 獲取Anomap

2.3.1 測(cè)試樣本多尺度切割。經(jīng)上一步訓(xùn)練得到編碼器fθ后， 在將測(cè)試樣本輸入編碼器之前，將圖像拓展為3通道，第四通道設(shè)為2.1.4節(jié)所得高斯混合模型異常評(píng)分灰度圖，與2.2.1節(jié)一樣切割為大小兩種尺度的Patch，如式8所示。

(8)

3 實(shí)驗(yàn)

筆者實(shí)驗(yàn)硬件條件為:RTX2070S,基于Pytorch深度學(xué)習(xí)框架。對(duì)于Patch大小，設(shè)置為7×7，展開(kāi)成為1×49向量；對(duì)于高斯混合模型，高斯模型數(shù)量設(shè)為1；對(duì)于異常檢測(cè)，特征提取網(wǎng)絡(luò)為ResNet-18。訓(xùn)練超參數(shù)中，批量大小為32，學(xué)習(xí)率為0.005，設(shè)為1，采用隨機(jī)梯度下降算法迭代50次；將Patch編碼為1×32向量；選取的兩個(gè)不同大小的尺度分別為32×32,16×16，如圖2所示。

圖2 檢測(cè)結(jié)果圖

4 總結(jié)

本文提出一種基于先驗(yàn)知識(shí)的換向器缺陷異常檢測(cè)方法。①基于工業(yè)產(chǎn)品的高度相似性，利用高斯混合模型對(duì)圖像局部區(qū)域建模，從而可以獲得樣本的先驗(yàn)異常圖。②我們提出Position-PatchSVDD方法，訓(xùn)練神經(jīng)網(wǎng)絡(luò)提取圖像特征，先驗(yàn)異常圖作為注意力掩碼輸入網(wǎng)絡(luò)，使得網(wǎng)絡(luò)更加關(guān)注缺陷位置。對(duì)于測(cè)試樣本和訓(xùn)練樣本的特征編碼，使用KD-Tree算法做最近鄰搜索，以歐氏距離作為異常分?jǐn)?shù)。該方法能夠在僅使用無(wú)缺陷正常樣本的情況下，準(zhǔn)確檢測(cè)出各種類型的缺陷，在實(shí)際的換向器端面數(shù)據(jù)上取得了很好地檢測(cè)效果。