基于深度学习的电子换向器表面缺陷检测

◆施恺杰 王颖 王嘉璐 钱立峰 徐力晨 杨昊天 顾乾辉

（南昌工程学院 信息工程学院 江西 330096）

在汽车发电机、汽油发电机等领域，电子换向器起整流的作用，使电枢绕组中的电流方向是交变的，从而来保证电磁转矩方向始终不变，所以它的质量保障具有重要意义。但是在其生产的过程中，由于原材料的受限、环境温湿度的差异以及加工过程中的失误等多方面的原因，很大可能会导致产品表面出现损坏和缺陷。19世纪中期，产品表面缺陷的检测[1]大部分还是传统的检测方法，以人工检测[2]为主。但是人工检测成本较高、效率低下，而且由于产品表面缺陷细微，加上工厂光线亮度和周围环境的种种条件限制，易产生视觉疲劳，从而造成误检、漏检现象[3]的产生，所以一种低成本高效率的表面缺陷检测方法亟待开发。

20世纪以来，人们对于产品质量要求的不断提高，传统的人工检测技术产生的诸多原因已经完全不能达到令人满意的效果了。因此，基于传统的数字图像处理自动化检测技术受到了人们的广泛重视，主要可以分为基于纹理检测算法[4]、阈值检测算法[5]、边缘检测算法[6]等。虽然这类算法在自动化缺陷检测方面相对于人工检测具备了成本低、效率高等优点，但是它对于图像质量要求较高，例如基于纹理的检测算法，它对于原图像的对比度要求很高，图像中稍有噪声干扰会严重影响检测的结果。所以对于产品表面缺陷的不稳定性，传统的数字图像处理方法普适性不高。

鉴于以上原因，本文提出了一种采用深度学习的技术来对缺陷进行检测，优势在于不需要针对目标的特征来设计特定的算法对其进行特征的提取，这大大提高了算法的灵活性和普适性。该方法在实验过程中取得了较好的效果，可行性较高，有效提高了效率，为电子换向器产品缺陷检测的自动化检测开辟了新途径[7]。

1 缺陷检测自动化框架

对于电子换向器产品表面缺陷来说，有些可能是很细微的裂缝缺陷，有些则是较大面积的缺口等，所以模型要重视对图像中的细节和边缘信息的保留。所以本文设计了一个两段式的网络模型，第一部分是将原图像进行像素级的分割，将每一个像素作为分割网络[8]的训练样本输入，然后针对损失值调整权重，第二部分则是决策网络，对全局图像而不是单纯的局部特征进行考虑，最终判断原图像是否为缺陷图像，整个模型网络结构[9]如下图1所示：

图1 原模型网络结构图

2 模型结构改进

2.1 图像灰度化

本文采用的是加权平均法，将红绿蓝三个分量用不同的权值进行加权平均后能得到较合理的灰度图像。计算公式如下：

式中，F（i,j）表示图像矩阵函数，R（i,j）、G（i,j）、B（i,j）为彩色图像的三个分量。

2.2 分割网络改进

本文在原来的基础上进行了一些改进，将最后一层的卷积层变为5×5 大小卷积核的卷积层，能够在原来的基础上省去一半的参数量，避免了参数过多导致的过拟合现象的产生。另外，由于经过最大池化层，缩小了特征图像的分辨率，所以本文在模型中加入了上采样层，采用双线性插值法进行上采样操作。其核心思想就是在X 和Y 方向上各进行一次插值。双线性插值法相对于最邻近点法而言，效果更连续，而且对于图像信息的保存也更加完好，使用应用于工业产品表面缺陷图像。首先对X 方向上进行线性插值，计算公式如下：

2.3 损失函数改进

模型有两个网络主体，改进之后的模型将原模型中的损失函数从均方误差（MSE）改为了二分类的交叉熵函数（binary_crossentropy）。binary_crossentropy 损失函数向最后一层权重的传递参数时，不再跟激活函数的导数相关，所以收敛更快，并且交叉熵损失函数更适合做分类问题，在分类问题中，该损失函数能得到线性的梯度，有效防止梯度消失现象的产生。而MSE 相对于binary_crossentropy 来说，更适合做回归问题。所以模型改变前后具体参数如表1所示。

表1 模型改变前后参数

3 实验过程与分析

3.1 数据集创建

本次实验的数据集使用的是公开的KolektorSDD 数据集，在其表面上存在微小的破损或裂缝，大部分均为1~2 厘米的裂缝。数据集中包含了50 种编写的电子换向器，每种有20 张图片。下图2 为一些正样本图像。

图2 部分正样本数据集

考虑到该数据集样本相对较少，共有1000 个样本，并且比例不均的原因，需要对数据集进行样本增强和扩充，防止在后续的模型训练过程中出现因为数据集不充分导致的过拟合现象的产生。并且为了使样本比例均衡，本文控制了正负样本数量比为1:1，具体如表2。

表2 缺陷数据集

3.2 实验结果及分析

本实验在原始图像输入到分割网络后，模型会有一个分割输出对应分割后的图像，这里称其为mask 图像，如下图3所示。

图3 分割网络输出的mask 图像

本实验记录了模型改进前后训练的损失值（class_output_loss）和准确度（class_output_acc）的变化曲线，其中参数设计为：初始学习率（Ir）为0.0001；batch_size 为6，优化器（optimizer）为Adam。改进前图像如图4所示。

图4 模型改进前损失图

从上图可以明显看到，训练集和验证集整体呈现下降的趋势，但是loss 值随着epoch（次/百）缓慢降低，收敛速度较慢，而且验证集出现了明显的振荡现象。

图5 模型改进后损失图

上图为模型改进后，比较前后两幅图像可以看出，在模型改进之后，下降速度和收敛速度都有了很大的提高，loss 值很快就趋于了平缓，而且无论是训练集还是验证集都没有再出现振荡的现象。

3.3 评价指标

在本实验中对于模型的评价设置了3 个指标，分别为准确率、查准率和查全率，其公式如下：

上式中，存在缺陷的样本被预测正确为TP，没有缺陷的样本被预测正确为TN，存在缺陷的样本被预测错误为FP，没有缺陷的样本被预测错误为FN，详细数值如表3 所列：

表3 测试样本统计结果

从上表中可以看出，模型对于电子换向器产品表面缺陷的检测，查全率高，大部分产品表面缺陷样本均能被正确的分类，漏检的情况低；准确率和查准率均为96%，取得了预期之中较好的结果。

4 结束语

本文针对电子换向器产品的表面缺陷，提出了基于深度学习的电子换向器产品表面缺陷检测方法进行自动化的检测，对自己设计的两段式模型进行改进。实验结果表明，改进后的模型样本准确度达到接近96%，收敛速度更快，性能普遍得到提高，该方法在能有效识别缺陷，对保障产品安全具有重要意义。