Halcon 深度学习分类之工业缺陷检测

前言

上几篇文章分别对比了Halcon深度学习分类模型的框架，例子的详细分析，以及在Mnist上的应用等。想必大家已经对Halcon深度学习的分类原理基本掌握，是不是有点兴奋？是不是想要在工业缺陷检测上小试牛刀？作为一名视觉工程师，当然按捺不住内心的激动，想要应用在平时传统算法检测需要费九牛二虎之力的产品检测上。那么接下来将会详细介绍Halcon 深度学习分类之工业缺陷检测流程。
说明：产品原图不方便展示，敬请谅解。

制作自己的样本集

要想训练网络，首先得制作自己的数据集。水果分类中一共5个类别，Mnist分类中，一共10个类别。本例子我只想检测缺陷有无，所以只需2类即可（0代表OK，1代表NG）。
到这里，有的童鞋肯定会有这样的顾虑，深度学习需要大量的训练样本，但缺陷样品很难搜集，样本集不丰富。所以要想办法丰富训练样本，我根据同一个缺陷位置上下左右间隔固定位置抠图（64 x 64）保证每个负样本不重复，且抠的图均包含缺陷信息，这样样本数就会大大增加。正样本（背景）我间隔旋转角度随机获取（我的产品是圆环状），保证样本的丰富性。选择的正、负样本比例为5：1（正样本12000张，负样本2400张）。（这部分需要自己写脚本实现，要不然手动抠图，那估计要疯）

正样本部分截图

负样本部分截图

下图展示的是两种缺陷类型。为了丰富图像库，根据上述的描述方式，分别获取两种不同缺陷的负样本。从图中可以看出，每个样本都包含缺陷特征，但不重复。

图像预处理

这部分和Mnist应用一样，没有进行额外的处理。

训练网络

网络参数均和Mnist一样，由于数据量比较大，训练速度慢的有点感人。

缺陷检测

这部分依然需要自己写脚本，将要测试的图像进行切块处理（和训练样本大小一致64 x 64）。由于是检测缺陷有无，所以切块样本集只要涵盖整张测试图像即可，这样可以节约检测时间。当然如果对节拍要求不严格，完全可以用分类网络将缺陷边界分割出来，只不过切块方式是逐像素的。
下图代码部分是检测缺陷脚本，输入一张相机采集图，输出NGOK，如果NG则输出缺陷区域。

检测结果

部分结果截图展示








误检漏检是避免不了的，比如脏污误检成缺陷，部分漏检。这时候我们可以将误检区域抠出来丢到正样本中去，漏检区域丢到负样本中，重新训练。通过逐渐优化网络，最终会得到一个满意的Model。

代码

这个例子代码和上一篇的Mnist应用代码大同小异，除了样本制作以及测试脚本不同外，其他部分一样。

上一篇：Halcon 深度学习分类之Mnist应用

https://blog.csdn.net/qq_18620653/article/details/106043671