基于SP-DDN 的沖壓件表面缺陷檢測

摘要：車身沖壓件表面缺陷具有缺陷尺寸跨度大、缺陷類別間差異小等特點(diǎn)，導(dǎo)致傳統(tǒng)表面缺陷檢測手段的檢測準(zhǔn)確率低，難以滿足實(shí)際工業(yè)需求。本文提出一種通道自關(guān)聯(lián)特征金字塔深度學(xué)習(xí)缺陷檢測模型SP-DDN，該模型通過對特征金字塔結(jié)構(gòu)進(jìn)行擴(kuò)展得到多層擴(kuò)展特征融合網(wǎng)絡(luò)CFPN 結(jié)構(gòu)，并在該結(jié)構(gòu)中引入具有通道關(guān)聯(lián)分析能力的注意力模塊，以提高模型對多類別缺陷間差異性的特征提取能力，提升模型的缺陷檢測精確度。應(yīng)用K-means++算法對數(shù)據(jù)集中缺陷數(shù)據(jù)開展聚類分析，以生成特定預(yù)選框，解決默認(rèn)預(yù)選框尺寸與實(shí)際缺陷尺寸不匹配問題。最后，結(jié)合自制的沖壓件表面缺陷檢測數(shù)據(jù)集SP-NET 與熱軋鋼表面缺陷公開數(shù)據(jù)集，對提出方法進(jìn)行應(yīng)用驗(yàn)證。結(jié)果表明，本文方法相較于基準(zhǔn)網(wǎng)絡(luò)，mAP 分別提升3.1% 和4.0%，召回率分別提升1.5% 和5.5%。

關(guān)鍵詞：缺陷檢測；沖壓件；K-means++；自注意力機(jī)制

中圖分類號：TP 18 文獻(xiàn)標(biāo)志碼：A

隨著汽車工業(yè)的不斷發(fā)展，汽車沖壓件的表面質(zhì)量越來越受到關(guān)注。由于沖壓件表面缺陷尺寸跨度大、缺陷類別間差異小等問題，傳統(tǒng)基于油石等輔助方式下的目視檢測一直是沖壓件表面缺陷檢測的最主要手段，但受到檢測人員主觀性、疲勞等因素影響，檢測準(zhǔn)確率與檢測效率難以滿足工業(yè)需求。近年來，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)逐步成為表面缺陷檢測的研究熱點(diǎn)，并逐漸應(yīng)用于缺陷檢測領(lǐng)域，相較于傳統(tǒng)視覺檢測方法[1-2]，該類方法具有泛化能力強(qiáng)、檢測魯棒性高以及檢測速度快等優(yōu)點(diǎn)。

基于深度學(xué)習(xí)的缺陷檢測框架主要包括兩種形式，即一階段網(wǎng)絡(luò)和兩階段網(wǎng)絡(luò)。一階段網(wǎng)絡(luò)如YOLO[3]、SSD[4] 和RetinaNet[5] 等，通過特征提取即可實(shí)現(xiàn)缺陷檢測，具有背景誤檢率低、檢測速度快等優(yōu)點(diǎn)。兩階段網(wǎng)絡(luò)由于添加候選區(qū)域生成模塊，網(wǎng)絡(luò)的目標(biāo)定位能力以及小目標(biāo)檢測性能較強(qiáng)。常見的兩階段檢測網(wǎng)絡(luò)有： R-CNN[6]、Fast R-CNN[7]、Faster R-CNN[8]、Cascade R-CNN[9]等。上述研究為基于深度學(xué)習(xí)的目標(biāo)檢測方法應(yīng)用奠定了方法基礎(chǔ)。但在具體檢測對象的缺陷檢測準(zhǔn)確性方面仍需進(jìn)一步提升。為此，學(xué)者們針對特定對象的缺陷特點(diǎn)與目標(biāo)檢測框架開展了大量算法改進(jìn)研究。

在一階段網(wǎng)絡(luò)方面，Cheng[10] 等通過在RetinaNet網(wǎng)絡(luò)中嵌入通道注意力機(jī)制，使用具有融合卷積核提取的淺層和深層特征能力的自適應(yīng)空間特征融合模塊， 提高網(wǎng)絡(luò)缺陷特征提取能力。Zheng[11] 為解決軸承蓋表面細(xì)微缺陷檢測難、檢測實(shí)時(shí)性不足等問題，構(gòu)建了大規(guī)模軸承蓋缺陷數(shù)據(jù)集，并基于瓶頸注意力增強(qiáng)網(wǎng)絡(luò)提升缺陷特征提取能力。Chang 等[12] 開發(fā)了TinyDefectNet 缺陷檢測系統(tǒng)，使用真實(shí)缺陷樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)了車身漆面微小缺陷的抽樣檢測。該系統(tǒng)算法主要是通過豐富缺陷圖像數(shù)據(jù)尺寸以增加特征提取數(shù)據(jù)形式提高檢測準(zhǔn)確性。朱文博等[13]提出了一種基于改進(jìn)YOLOv5 的O 型圈表面缺陷檢測方法，平均精度提高了4.26%。在兩階段網(wǎng)絡(luò)方面，Huang 等[14] 基于Cascade R-CNN 提出了一種多尺度特征對特征提取方法，在對RPN 輸出的區(qū)域進(jìn)行池化前將特征圖擴(kuò)展1.5 倍，以增強(qiáng)目標(biāo)的詳細(xì)信息并提高檢測精度；Ding 等[15] 針對表面缺陷檢測誤檢率和漏檢率高、效率低問題，提出基于ResNet-101 和特征金字塔網(wǎng)絡(luò)（feature pyramidnetwork， FPN） 進(jìn)行特征提取、融合的微小缺陷檢測網(wǎng)絡(luò)TDD-net，實(shí)驗(yàn)結(jié)果表明，該網(wǎng)絡(luò)具有較強(qiáng)的魯棒性和泛化性。

綜上所述，現(xiàn)有研究多通過改善特征提取方式來提高檢測準(zhǔn)確率，但現(xiàn)有網(wǎng)絡(luò)中對缺陷特征變化導(dǎo)致的特征丟失問題、缺陷間的異性識別方面仍存在不足。鑒于車身沖壓件表面劃痕、壓痕等同類型缺陷尺寸跨度大，異類缺陷間差異小等問題，如何結(jié)合沖壓件表面缺陷形態(tài)和紋理特征，提取更具區(qū)分度的特征，是提升沖壓件表面缺陷檢測精度的關(guān)鍵。為此，本文提出以Faster RCNN結(jié)構(gòu)為基本骨架，以ResNet50 為骨干特征提取網(wǎng)絡(luò)的SP-DDN 缺陷檢測算法，通過引入自注意力機(jī)制和可變卷積的通道特征自關(guān)聯(lián)模塊與聚類分析，提升模型對多尺寸、多類別缺陷的識別與定位能力，并通過案例分析驗(yàn)證提出方法的有效性。

1 SP-DDN 網(wǎng)絡(luò)模型

本文提出的沖壓件表面缺陷檢測模型SPDDN網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。SP-DDN 沿用FasterR-CNN 網(wǎng)絡(luò)框架，主要由5 部分組成：特征提取骨干網(wǎng)絡(luò)、通道自關(guān)聯(lián)特征金字塔網(wǎng)絡(luò)（ channel"self-association feature pyramid network， CFPN） 、區(qū)域生成網(wǎng)絡(luò)（region proposal network，RPN）、感興趣區(qū)域池化（ region of interest pooling， ROIPooling）和分類回歸網(wǎng)絡(luò)。首先，采用ResNet50殘差網(wǎng)絡(luò)作為骨干特征提取網(wǎng)絡(luò)，對缺陷中的抽象特征進(jìn)行提取，該過程按照特征圖尺寸大小可分為4 個(gè)階段， 每個(gè)階段輸出的特征圖將作為CFPN 網(wǎng)絡(luò)的輸入。其次，將經(jīng)過CFPN 特征融合后的特征圖輸入融合自注意力機(jī)制和可變形卷積的SCBAM 模塊，以進(jìn)行通道類間差異性信息自關(guān)聯(lián)分析。然后，將各階段特征圖輸入RPN 生成區(qū)域建議預(yù)選框，并通過ROI Pooling 進(jìn)行區(qū)域建議框映射。最后，將特征圖送入分類回歸網(wǎng)絡(luò)，進(jìn)行回歸與類別預(yù)測。