基于深度學習的電子換向器表面缺陷檢測

◆施愷杰 王穎 王嘉璐 錢立峰 徐力晨 楊昊天 顧乾輝

（南昌工程學院 信息工程學院 江西 330096）

在汽車發電機、汽油發電機等領域，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，從而來保證電磁轉矩方向始終不變，所以它的質量保障具有重要意義。但是在其生產的過程中，由于原材料的受限、環境溫濕度的差異以及加工過程中的失誤等多方面的原因，很大可能會導致產品表面出現損壞和缺陷。19世紀中期，產品表面缺陷的檢測[1]大部分還是傳統的檢測方法，以人工檢測[2]為主。但是人工檢測成本較高、效率低下，而且由于產品表面缺陷細微，加上工廠光線亮度和周圍環境的種種條件限制，易產生視覺疲勞，從而造成誤檢、漏檢現象[3]的產生，所以一種低成本高效率的表面缺陷檢測方法亟待開發。

20世紀以來，人們對于產品質量要求的不斷提高，傳統的人工檢測技術產生的諸多原因已經完全不能達到令人滿意的效果了。因此，基于傳統的數字圖像處理自動化檢測技術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、效率高等優點，但是它對于圖像質量要求較高，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重影響檢測的結果。所以對于產品表面缺陷的不穩定性，傳統的數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習的技術來對缺陷進行檢測，優勢在于不需要針對目標的特征來設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

對于電子換向器產品表面缺陷來說，有些可能是很細微的裂縫缺陷，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節和邊緣信息的保留。所以本文設計了一個兩段式的網絡模型，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絡[8]的訓練樣本輸入，然后針對損失值調整權重，第二部分則是決策網絡，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，整個模型網絡結構[9]如下圖1所示：

圖1 原模型網絡結構圖

2 模型結構改進

2.1 圖像灰度化

本文采用的是加權平均法，將紅綠藍三個分量用不同的權值進行加權平均后能得到較合理的灰度圖像。計算公式如下：

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

2.2 分割網絡改進

本文在原來的基礎上進行了一些改進，將最后一層的卷積層變為5×5 大小卷積核的卷積層，能夠在原來的基礎上省去一半的參數量，避免了參數過多導致的過擬合現象的產生。另外，由于經過最大池化層，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，而且對于圖像信息的保存也更加完好，使用應用于工業產品表面缺陷圖像。首先對X 方向上進行線性插值，計算公式如下：

2.3 損失函數改進

模型有兩個網絡主體，改進之后的模型將原模型中的損失函數從均方誤差（MSE）改為了二分類的交叉熵函數（binary_crossentropy）。binary_crossentropy 損失函數向最后一層權重的傳遞參數時，不再跟激活函數的導數相關，所以收斂更快，并且交叉熵損失函數更適合做分類問題，在分類問題中，該損失函數能得到線性的梯度，有效防止梯度消失現象的產生。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如表1所示。

表1 模型改變前后參數

3 實驗過程與分析

3.1 數據集創建

本次實驗的數據集使用的是公開的KolektorSDD 數據集，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。數據集中包含了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 部分正樣本數據集

考慮到該數據集樣本相對較少，共有1000 個樣本，并且比例不均的原因，需要對數據集進行樣本增強和擴充，防止在后續的模型訓練過程中出現因為數據集不充分導致的過擬合現象的產生。并且為了使樣本比例均衡，本文控制了正負樣本數量比為1:1，具體如表2。

表2 缺陷數據集

3.2 實驗結果及分析

本實驗在原始圖像輸入到分割網絡后，模型會有一個分割輸出對應分割后的圖像，這里稱其為mask 圖像，如下圖3所示。

圖3 分割網絡輸出的mask 圖像

本實驗記錄了模型改進前后訓練的損失值（class_output_loss）和準確度（class_output_acc）的變化曲線，其中參數設計為：初始學習率（Ir）為0.0001；batch_size 為6，優化器（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，訓練集和驗證集整體呈現下降的趨勢，但是loss 值隨著epoch（次/百）緩慢降低，收斂速度較慢，而且驗證集出現了明顯的振蕩現象。

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，而且無論是訓練集還是驗證集都沒有再出現振蕩的現象。

3.3 評價指標

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

上式中，存在缺陷的樣本被預測正確為TP，沒有缺陷的樣本被預測正確為TN，存在缺陷的樣本被預測錯誤為FP，沒有缺陷的樣本被預測錯誤為FN，詳細數值如表3 所列：

表3 測試樣本統計結果

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

4 結束語

本文針對電子換向器產品的表面缺陷，提出了基于深度學習的電子換向器產品表面缺陷檢測方法進行自動化的檢測，對自己設計的兩段式模型進行改進。實驗結果表明，改進后的模型樣本準確度達到接近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，對保障產品安全具有重要意義。