结合对抗自编码器与LBP编码的安瓿瓶外观缺陷检测.pdf

摘 要 产品缺陷检测是工业生产过程中重要环节之一，它保证了产品的质量和性能。实 际生产过程中难以收集多种缺陷的安瓿瓶样本，因而可将安瓿瓶表观缺陷检测视为基 于正样本的异常检测问题。本文对异常检测技术研究现状进行总结，在此基础上，进 行安瓿瓶外观缺陷检测研究，并将研究成果与工业生产应用相结合。本文的主要工作 如下： 1.结合对抗自编码器与LBP 编码的安瓿瓶外观缺陷检测模型的研究。 基于自编码器完成关于安瓿瓶无缺陷样本的灰度图像建模，实现了结合对抗学习 与LBP 编码的安瓿瓶外观缺陷检测。在生成器部分，基于训练样本和已知标签的异常 样本同时进行两次编码操作，获取原图像与重构图像中两个编码向量的差值向量的模； 进一步，引入基于加权最小错误率的最优阈值估计策略，实现基于最优阈值的异常类 别判定，同时借助热力图直观展示缺陷图像中的具体区域；最后，基于T-SNE 二维可 视化方式，验证生成器编码向量关于缺陷有无的鉴别能力。 基于原始灰度图像生成的缺陷识别模型为基线模型，将其与结合对抗学习及 LBP 编码得到的模型进行对比。实验表明：本文所提出的结合对抗学习与LBP 编码的缺陷 检测模型明显提升了缺陷检测的性能。 2.基于对抗学习的安瓿瓶外观缺陷检测系统的实现。 将结合对抗学习与LBP 编码的安瓿瓶外观缺陷检测模型的研究成果与已有缺陷检 测实验平台有机结合，设计并实现了一种基于对抗学习的安瓿瓶外观缺陷检测系统。 本系统基于缺陷检测的实验平台，对安瓿瓶外观缺陷检测系统的逻辑框架、系统 模块以及软件开发方面进行统一设计、实现，完成对缺陷的自动化监测流程。 系统对有缺陷样本图像的检测结果表明：正负样本比例处于失衡条件下，本系统 仍能更为准确地检出缺陷。 关键词：缺陷检测；对抗学习；卷积自编码器；LBP 编码；最优阈值估计；T-SNE III 目 录 摘 要 III Abstract IV 1 绪 论 1 1.1 研究背景 1 1.2 研究目的与意义 2 1.3 国内外研究现状 3 1.3.1 玻璃瓶视觉检测技术的研究现状 3 1.3.2 异常检测技术的研究现状 4 1.4 论文主要工作及结构安排 6 1.4.1 论文主要工作 6 1.4.2 论文的组织结构 7 2 基于深度学习的安瓿瓶外观缺陷检测相关技术 8 2.1 卷积神经网络 8 2.2 生成式对抗网络 10 2.2.1 生成式对抗网络 10 2.2.2 条件生成式对抗网络 11 2.2.3 深度卷积生成式对抗网络 12 2.3 对抗式自编码器 12 2.3.1 自编码器 12 2.3.2 卷积自编码器 13 2.3.3 对抗式自编码器 13 2.4 本章小结 13 3 结合对抗学习与LBP 编码的安瓿瓶外观缺陷检测 14 3.1 引言 14 3.2 基于生成式对抗网络的外观缺陷检测模型网络架构 14 3.2.1 基于对抗学习网络的缺陷检测模型结构 14 3.2.2 基于对抗网络安瓿瓶外观缺陷检测算法的关键描述 16 3.2.3 基于对抗网络架构的缺陷检测模型损失函数 17 VI 3.3 基于LBP 编码的样本集构建 18 3.4 基于最小错误率的最优阈值估计与缺陷判别 23