摘要：帶鋼在生產(chǎn)過程中受到工藝或設(shè)備等原因的影響，在表面產(chǎn)生了壓傷、滴焦油等缺陷。提出了一種只需要少量的缺陷樣本來訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)模型。模型通過學(xué)習(xí)大量的無缺陷圖像數(shù)據(jù)分布特征，再引入少部分的缺陷圖像來進(jìn)行對(duì)比，模型可以學(xué)習(xí)到有無缺陷圖像的分布情況和有缺陷圖像的分布情況更有利于缺陷檢測。為了使模型穩(wěn)定，在損失函數(shù)中添加抽離項(xiàng)和多樣性比因子。并加入優(yōu)化特征的范數(shù)來稀疏模型從而減少無用特征的干擾。本文提出的方法對(duì)帶鋼表面缺陷檢測的精度達(dá)到了95%。

關(guān)鍵詞：缺陷檢測圖像處理生成對(duì)抗網(wǎng)絡(luò)支持向量機(jī)

中圖分類號(hào)：TH741.3

Surfacedefectdetectionmethodforstripsteelbasedonafewdefectsamples

LIAimei1WANGFang1YUJing1LIUJiwei1WANGShuopung2

1.TianjinCollege，BeijingUniversityofScienceandTechnology，Tianjin301811China;2.SchoolofInformationEngineering，TianjinUniversityofCommerce，Tianjin300134China

Abstract：Duringtheproductionprocess，stripsteelisaffectedbyfactorssuchasprocessorequipment，resultinginsurfacedefectssuchascrushanddropstar.Thegenerativeadversarialnetworkmodelisproposedthatonlyrequiresafewdefectivesamplestotraining.Themodellearnsthedistributioncharacteristicsofalargeamountofdefect-freeimagedata，andthenaddsafewdefectimagesforcompvUPRz8d2PSKJFi/7WA9ASw==arison，themodelcanlearnthedistributionofdefect-freeimagesanddefectiveimages，whichismoreconducivetodefectdetection.Inordertoimprovethestabilityofthemodel，thepull-awayterm（PT）anddiversityratiofactorsareaddedtothelossfunction.Andaddthenormofoptimizedfeaturestosparsethemodelandreducetheinterferenceofuselessfeatures.Themethodproposedachievesanaccuracyof95%forsurfacedefectdetectionofstripsteel.

Keywords：Defectdetection;Imageprocessing;Generativeadversarialnetworks;Supportvectormachine

帶鋼作為汽車制造業(yè)、航空航天等多個(gè)行業(yè)的重要材料，帶鋼表面的質(zhì)量對(duì)于帶鋼產(chǎn)品至關(guān)重要。隨著深度學(xué)習(xí)的不斷發(fā)展，基于深度學(xué)習(xí)的機(jī)器視覺檢測技術(shù)廣泛應(yīng)用到生產(chǎn)生活中。生成對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialNetworks，GAN）只需要輸入隨機(jī)噪聲就可以模擬樣本的分布。深度卷積生成對(duì)抗網(wǎng)絡(luò)（DeepConvolutionalGenerativeAdversarialNetworks，DCGAN）。通過改變激活函數(shù)和添加BatchNormalization層很好地改善了梯度爆炸和網(wǎng)絡(luò)不穩(wěn)定性的問題[1]。在實(shí)際的生產(chǎn)過程中，會(huì)面臨缺陷種類多、數(shù)據(jù)收集困難的問題。賈東鑫等人[2]提出了基于深度學(xué)習(xí)的熱軋帶鋼表面缺陷檢測方法，該方法以MaskR-CNN網(wǎng)絡(luò)為基礎(chǔ)，對(duì)只有5～8張訓(xùn)練數(shù)據(jù)的缺陷類型能夠準(zhǔn)確判斷其缺陷，實(shí)驗(yàn)取得準(zhǔn)確率為98%的效果。沈春光等人[3]僅利用了1022個(gè)樣本數(shù)據(jù)集來訓(xùn)練SSD模型，并高效完成了帶鋼表面的缺陷檢測。KIMSH等人[4]只利用正樣本訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)對(duì)CIFAR-10數(shù)據(jù)集進(jìn)行個(gè)性化圖像檢索。KALYANSY等人[5]根據(jù)采集的衛(wèi)星圖像，利用生成對(duì)抗網(wǎng)絡(luò)和一分類支持向量機(jī)對(duì)采集的圖像進(jìn)行偽造檢測，檢測圖像場景中是否存在添加或移除的對(duì)象。SCH?LKOPFB等人[6]通過最大化數(shù)據(jù)與原點(diǎn)之間的決策邊界來獲得一分類支持向量機(jī)（One-classSupportVectorMachine，OC-SVM）的缺陷檢測模型。該模型通過優(yōu)化函數(shù)找到一個(gè)決策邊界來劃分正常樣本和異常樣本。本文提出了基于少量缺陷樣本的帶鋼表面缺陷檢測方法。模型通過對(duì)比學(xué)習(xí)有缺陷圖像和無缺陷圖像的分布使得模型更好的模擬樣本的分布情況。通過修改模型提高特征的質(zhì)量，將從判別器提取的特征送入到一分類支持向量機(jī)進(jìn)行訓(xùn)練，最后檢測出缺陷的位置。

1研究方法

1.1模型框架

根據(jù)帶鋼的缺陷微小和與背景相似的特點(diǎn)，通過利用生成對(duì)抗網(wǎng)絡(luò)深度學(xué)習(xí)網(wǎng)絡(luò)來提取帶鋼的圖像的特征。再將這些特征送入到一分類支持向量機(jī)當(dāng)中進(jìn)行缺陷檢測。系統(tǒng)通過優(yōu)化模型的損失函數(shù)來獲取更好的特征。GAN網(wǎng)絡(luò)生成器輸入隨機(jī)噪聲z來生成缺陷圖像。判別器通過輸入大量的無缺陷圖像和小量有缺陷圖像使模型學(xué)習(xí)到樣本的特征分布情況。通過將判別器提取的特征送入到一分類支持向量機(jī)當(dāng)中進(jìn)行缺陷檢測。圖1為基于少量缺陷樣本的帶鋼表面缺陷檢測算法框架，其中實(shí)線箭頭代表訓(xùn)練過程，虛線箭頭代表的是測試過程。

1.2模型損失函數(shù)

為了獲得更好的圖像特征和提高模型的穩(wěn)定性，對(duì)生成對(duì)抗網(wǎng)絡(luò)模型的損失函數(shù)進(jìn)行優(yōu)化。

在本文中訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)是為了使模式能夠模擬出圖像的特征分布情況，并且提取判別器的全連接層特征，送到OC-SVM中進(jìn)行缺陷檢測。生成對(duì)抗網(wǎng)絡(luò)容易出現(xiàn)模型不穩(wěn)定等問題，主要通過修改模型的損失函數(shù)來提高模型的穩(wěn)定性，減少出現(xiàn)模型過擬合的概率。通過優(yōu)化模型的損失函數(shù)、模型的范數(shù)和模型的網(wǎng)絡(luò)結(jié)構(gòu)來提升模型穩(wěn)定和改善模型崩塌的問題。為了使生成器和判別器達(dá)到一個(gè)平衡的狀態(tài)，引入一個(gè)超參數(shù)gamma的定義為[7]。gamma參數(shù)設(shè)置過低會(huì)導(dǎo)致生成缺陷的種類減少，此外gamma對(duì)生成圖像的邊界細(xì)節(jié)也會(huì)產(chǎn)生影響。經(jīng)過修改后判別器的損失函數(shù)和生成器的損失函數(shù)分別為：

式（1）和式（2）中：為無缺陷樣本；為有缺陷樣本。判別器損失函數(shù)中的gamma參數(shù)，該參數(shù)主要是為了使判別器和生成器能夠在對(duì)抗學(xué)習(xí)中達(dá)到平衡的狀態(tài)。L1范數(shù)也稱為“稀疏規(guī)則算子”（LassoRegularization）[8]，主要任務(wù)是對(duì)向量的元素求絕對(duì)值之和。通過加入L1范數(shù)來優(yōu)化提取的特征，減少無用特征的干擾。

生成器損失函數(shù)中的項(xiàng)可以有效地改善模型崩塌的問題。當(dāng)設(shè)，的時(shí)候，可以獲得最好的實(shí)驗(yàn)效果。

2實(shí)驗(yàn)

本次實(shí)驗(yàn)采集的圖像采用單色線性陣列相機(jī)。數(shù)據(jù)集中包含1萬張無缺陷圖像和約200張有缺陷圖像包含11種類型的缺陷，由于缺陷大小不一樣，所以圖像沒有固定尺寸。實(shí)驗(yàn)選擇的局部小塊圖像的大小為32x32，圖像重疊率為50%。訓(xùn)練GAN模型設(shè)置的參數(shù)為：學(xué)習(xí)率設(shè)為0.001，訓(xùn)練的epoch為8000次，采用Adam優(yōu)化器，dropout率設(shè)為0.5，batchsize設(shè)為64。在訓(xùn)練次數(shù)達(dá)到8000次的時(shí)候，圖像種類變得更多，基本上與輸入的缺陷圖像類似，說明模型基本能夠模擬出圖像的分布特征。

為了驗(yàn)證檢測算法的效果，將本文方法與KIMSH等人[4]和KALYANSY等人[5]兩種基于深度學(xué)習(xí)的方法進(jìn)行比對(duì)。檢測效果如圖2和對(duì)精度（Pr），召回率（Re），F(xiàn)-測度（Fm）進(jìn)行了統(tǒng)計(jì)表1所示。Kim方法在訓(xùn)練GAN模型的時(shí)候僅使用了正樣本來訓(xùn)練模型，檢測結(jié)果如圖2（a2）-（f2）所示。由于模型只學(xué)習(xí)正樣本特征，檢測出現(xiàn)許多誤檢情況。Kalyan等人主要通過掩碼模板來確定缺陷位置，檢測結(jié)果如圖2（a3）-（f3）所示。Kalyan方法檢測精度對(duì)比Kim方法有所改善，但是檢測精度也只能達(dá)到76.1%。以上這兩種方法在訓(xùn)練階段均只使用了正樣本來訓(xùn)練模型，導(dǎo)致模型較容易出現(xiàn)過擬合的問題容易出現(xiàn)許多誤檢的情況。對(duì)比以上兩種方法，本文提出的基于少量缺陷樣本生成對(duì)抗網(wǎng)絡(luò)的方法提取的特征有更強(qiáng)的表征能力，獲得較好的檢測效果檢測結(jié)果如圖2（a4）-（f4）所示。在圖中可以看到所有缺陷區(qū)域均能夠檢測出來，通過表1發(fā)現(xiàn)，本文所提出的方法精度為95.9%，召回率為94.8%和F-測度為95.1%，并且對(duì)滴焦油缺陷的檢測效果最好。

3結(jié)論

針對(duì)帶鋼缺陷種類繁多，樣本不齊全的問題，在本文提出的基于少量缺陷樣本的帶鋼表面缺陷檢測算法，在充分利用無缺陷樣本的情況下，只需要少量的缺陷樣本就能獲得很好的檢測效果。針對(duì)生成對(duì)抗網(wǎng)絡(luò)模型不穩(wěn)定的問題，通過在生成器中添加抽樣因子和判別器中添加抽離項(xiàng)來平衡模型，提升模型的穩(wěn)定性。在判別器的損失函數(shù)中添加了L1范數(shù)，有效減少了無用特征的干擾。最后利用OC-SVM來進(jìn)行分類和檢測。實(shí)驗(yàn)結(jié)果表明該方法取得較好的缺陷檢測效果。

參考文獻(xiàn)

[1]WANGYL，ZHANGYL，ZHENGL，etal.UnsupervisedLearningwithGenerativeAdversarialNetworkforAutomaticTireDefectDetectionfromX-rayImages[J].Sensors，2021，21（20）：6773-6773.

[2]賈東鑫，姚劍敏，嚴(yán)群，等.基于小樣本深度學(xué)習(xí)的熱軋帶鋼表面缺陷檢測[J].信息技術(shù)與信息化，2023，（6）：182-185.

[3]沈春光，李虎威，荊濤，等.基于深度學(xué)習(xí)的帶鋼表面缺陷檢測在小樣本數(shù)據(jù)集的應(yīng)用[J].軋鋼，2022，39（2）：82-86.

[4]KIMSH，KIMHJ，KIMJY.GAN-BasedOne-ClassClassificationforPersonalizedImageRetrieval[C]//IEEEInternationalConferenceonBigData&SmartComputing.IEEE，2018.

[5]KALYANSY，DAVIDG，PAOLOB，etal.SatelliteImageForgeryDetectionandLocalizationUsingGANandOne-ClassClassifier[J].ElectronicImaging，2018，2018（7）：214-1.

[6]SCH?LKOPFB，PLATTJC，SHAWE-TAYLORJ，etal.Estimatingthesupportofahigh-dimensionaldistribution[J].Neuralcomputation，2001，13（7）：1443-1471.

[8]CONGH，JUNXW，YONGZL.Generatingadversarialexampleswithelastic-netregularizedboundaryequilibriumgenerativeadversarialnetwork[J].PatternRecognitionLetters，2020，140：281-287.

[9]Commentary：ChallengesinStatisticalMachineLearning[J].StatisticaSinica，2006，16（2）：307-321.