融合视觉认知模型的非定域性表面缺陷感知与分析

The requirements for product quality are constantly improving in modern precision machining manufacturing. At the same time, the technical performance requirements of surface defect detection system are increasing day by day. Aiming at the practical demands of surface defect detection of precision components, in this project, research of a fusion of visual cognitive model of non-localized surface defect for perception and analysis is going to be carried out. This project focuses on the key technology: analysis of bottom information of defect image and detection of potential defects, clustering of multivariate flaws, structural perception of defects, characterization and analysis of structured feature point set. We devote to propose a complete solution by breaking the problem of locality limitation of defect detection, achieving rapid detection and analysis of surface defects, laying the theoretical and technical foundation for the corresponding research and development of intelligent defect detection application system. This project firstly simulates the visual attention mechanism to obtain the potential attention focus of defect, and then based on the bionic visual cortex and other theoretical methods to establish non-localized defect cognitive framework, and the integration of visual psychology theory to establish the calculation model. Surface nonlocalization defects are uniformly expressed as structured cognitive objects, and thus on the basis of the realization of defect classification, threshold analysis and quantitative assessment and other functions.The applicant and the team have good research foundation and conditions and we have the ability to finish the project within three years of the research task.

现代精密加工制造对产品品质的要求不断提高，同时对表面缺陷检测系统的技术性能要求日益提高，本课题面向精密元件表面缺陷检测实际需求，拟展开融合视觉认知模型的非定域性表面缺陷感知与分析研究。重点研究缺陷图像底层信息分析与潜在缺陷焦点检测、多元缺陷焦点聚类、缺陷结构化感知和结构化特征点集表征与分析等关键技术，突破缺陷检测的定域性限制问题，实现表面缺陷的快速感知与分析，为相应的智能化缺陷检测应用系统的研发奠定理论和技术基础。本课题首先模拟视觉注意机制获取潜在缺陷注意焦点，然后基于仿生视觉皮层等理论方法建立非定域缺陷认知框架，并融合视觉心理学理论建立计算模型，将表面非定域缺陷统一表达为结构化认知对象，从而在此基础上实现缺陷分类、阈值分析和定量评估等功能。申请人及团队具有较好的研究基础和条件，有能力在3年内完成计划内的研究任务。

应用基于视觉图像处理技术对精密表面缺陷进行检测识别，不仅可以降低人工的成本，还可以大大提高效率和准确度，对工业生产的质量提高和增强产品闭环控制能力具有重要意义。本课题针对缺陷图像底层信息分析、缺陷结构化感知和结构化特征点集表征等关键技术，突破缺陷检测的定域性限制问题，实现表面缺陷的快速感知与分析。首先，针对复杂深孔边缘模糊和存在阴影区域的缺陷感知问题，提出了一种基于多任务卷积神经网络的结构化检测方法，通过联合不同的任务情况获取缺陷位置，并学习到具体的缺陷类型；其次，面向复杂自然场景下的缺陷检测，提出了一种自然场景下多级缺陷分析网络和数据增强方法，实现了复杂自然场景下电力绝缘子片缺失的异常检测。同时针对网络训练需要大量的训练样本，所设计的样本合成方法能够生产大量的训练样本，适应于自然复杂场景下工作；针对工业场景小样本条件下缺陷检测问题，提出了一种基于自动编码器的小样本缺陷提取模型，只需要非常小的样本（20-30张图像）,可以高效鲁棒地提取复杂图像中的各种缺陷。针对微弱划痕的视觉感知问题，将视觉认知模型中先验知识融合到缺陷检测网络的设计中，实现了小样本情况下微弱划痕的缺陷检测；同时，在此基础上提出了一种多特征融合的通用工业划痕检测网络，它通过将低特征和高维特征进行聚合融合，大大提高了划痕的检测效果。为了进一步提高缺陷底层信息分析能力，提出了一种模拟视觉注意力机制的缺陷检测方法来实现缺陷的快速感知与分析。本课题对非定域缺陷检测与分析的相关理论与应用进行了进一步探索，相关科研成果不仅可以直接应用于工业缺陷质检中，对其他视觉任务中的检测和识别、其他领域的共性关键问题，也有一定的借鉴意义。