(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111661688.4 (22)申请日 2021.12.31 (71)申请人 柳州缔普智能科技有限公司 地址 545000 广西壮 族自治区柳州市 鱼峰 区官塘大道柳州职业技术学院T4— A306 (72)发明人 陈百通　 (74)专利代理 机构 广州专理知识产权代理事务 所(普通合伙) 44493 代理人 曲超 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/13(2017.01) G06T 7/136(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于U-Net的抛釉砖表面瑕疵检测方法及装 置 (57)摘要 本发明涉及基于U ‑Net的抛釉砖表面瑕疵检 测方法， 包括以下： 获取瑕疵抛釉瓷砖的样本图 像， 对采集到的样本图像进行标注得到标签， 并 对标注后的样本图像随机划分成测试集 以及训 练集； 对训练集进行第一预处理， 将第一预处理 后的训练集及标签输入U ‑Net神经网络， 当U ‑Net 神经网络在训练集上的损失收敛， 并且当测试集 进行测试合格时， 得到第一检测模型； 获取目标 瓷砖图像， 对目标瓷砖图像进行第二预处理后输 入所述第一检测模型得到预测的分割结果； 对分 割结果进行总结， 完成瑕疵检测。 本发明采用U ‑ net深度神经网络， 对瓷砖的瑕疵部分使focal   loss损失进行训练， 增强对瓷砖的针孔、 裂痕、 落 脏等小瑕疵的识别能力， 实现了瓷砖瑕疵高精度 检测。 权利要求书2页 说明书5页 附图1页 CN 114332041 A 2022.04.12 CN 114332041 A 1.基于U‑Net的抛釉砖表面瑕疵检测方法， 其特 征在于， 包括以下： 获取瑕疵抛釉瓷砖的样本 图像， 对采集到的样本 图像进行标注得到标签， 并对标注后 的样本图像随机划分成测试集以及训练集； 对训练集进行第一预处理， 将第一预处理后的训练集及标签输入U ‑Net神经网络， 当所 述U‑Net神经网络在训练集上的损失收敛， 并且当测试集进 行测试合格时， 得到第一检测模 型； 获取目标瓷砖图像， 对所述目标瓷砖图像进行第 二预处理后输入所述第 一检测模型得 到预测的分割结果； 根据所述分割结果计算每一类瑕疵的面积大小， 将面积大小小于第 一阈值像素以下的 瑕疵去除， 对剩下的瑕疵进行统计， 完成瑕疵检测。 2.根据权利 要求1所述的基于U ‑Net的抛釉砖表面瑕疵检测方法， 其特征在于， 具体的， 所述第一预处 理操作包括， 图像分割， 所述图像分割操作用于将训练集中的图像样本分割成小图块； 所述图像增强操作包括图像正则化、 图像随机角度翻转和镜像、 随机 剪裁和高斯模糊； LBP算法， 用于针对溶洞、 划痕类小瑕疵进行处 理输出有区分度的像素级的二 值图像； Canny边缘检测， 用于针对色彩不均、 崩角类大缺陷进行处理获得带有边缘的二值图 像。 3.根据权利 要求1所述的基于U ‑Net的抛釉砖表面瑕疵检测方法， 其特征在于， 具体的， 在将预处理后的训练集及标签输入U ‑Net神经网络时， 控制每个batch输入的具有瑕疵的样 本以及无瑕疵的背景 各占每个batch的一半。 4.根据权利 要求1所述的基于U ‑Net的抛釉砖表面瑕疵检测方法， 其特征在于， 具体的， 所述U‑Net神经网络的输入图像为512x512的三通道彩色瓷砖图像， 输出图像为512x512x7 的卷积模块， 其中7个通道输出的值对应着背景和6种缺陷的预测概率， 在预测过程中通过 argmax函数获取7个通道中的获得最大值所对应的通道， 该通道即为预测的类别， 另外U ‑ Net神经网络除了图像输入神经网络的第一个卷积步骤和网络最后输出图像的步骤使用 1x1的卷积核， 其余的卷积模块均使用3x3的卷积核， 上采样模块使用双 线性插值 实现， 下采 样模块使用最大池化实现。 5.根据权利 要求1所述的基于U ‑Net的抛釉砖表面瑕疵检测方法， 其特征在于， 具体的， 所述第一检测模型的训练细节包括以下， 损失函数采用focal损失函数， 其公式如下 所示： Lossfocal＝‑(1‑α )zγlogz‑α(1‑z)γlog(1‑z)， 其中， z为U‑Net神经网络最后的输出参数， γ和α 为针对类别不平衡的参数， γ取3， α 取 0.25； 训练策略使用Adam的梯度下降方法进行训练， 每次输入批次大小为16， 学习率设置为 0.001， 采用warmup的方式训练第一个epoc h， 并在测试集的精度达 到95％时停止训练。 6.根据权利 要求1所述的基于U ‑Net的抛釉砖表面瑕疵检测方法， 其特征在于， 具体的， 所述第二预处 理操作包括， 图像分割， 所述图像分割操作用于将训练集中的图像样本分割成小图块； 图像正则化处 理；权　利　要　求　书 1/2 页 2 CN 114332041 A 2LBP算法， 用于针对溶洞、 划痕类小瑕疵进行处 理输出有区分度的像素级的二 值图像； Canny边缘检测， 用于针对色彩不均、 崩角类大缺陷进行处理获得带有边缘的二值图 像。 7.基于U‑Net的抛釉砖表面瑕疵检测装置， 其特 征在于， 包括： 样本收集模块， 用于获取瑕疵抛釉瓷砖的样本 图像， 对采集到的样本 图像进行标注得 到标签， 并对标注后的样本图像随机划分成测试集以及训练集； 训练模块， 用于对训练集进行第一预处理， 将第一预处理后的训练集及标签输入U ‑Net 神经网络， 当所述U ‑Net神经网络在训练集上的损失收敛， 并且当测试集进行测试合格时， 得到第一检测模型； 目标图像获取模块， 用于获取目标瓷砖图像， 对所述目标瓷砖图像进行第二预处理后 输入所述第一检测模型 得到预测的分割结果； 结果统计模块， 用于根据所述分割结果计算每一类瑕疵的面积大小， 将面积大小小于 第一阈值像素以下的瑕疵去除， 对剩下的瑕疵进行统计， 完成瑕疵检测。 8.一种计算机可读存储的介质， 所述计算机可读存储的介质存储有计算机程序， 其特 征在于， 所述计算机程序被处 理器执行时实现如权利要求1 ‑6中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114332041 A 3