【导语】

发光件缺陷检测是确保发光件产品质量的重要环节。针对发光件表面缺陷检测采用传统的图像算法会存在样本量不足，检测精度低，适应性差等问题。光色科技提出了一种基于Unet的自动化缺陷检测技术。首先，通过模糊生成技术，根据已提供的样本学习缺陷特征并自动生成大量缺陷样本和模板图片，解决样本量不足和手工打标签繁琐的问题。其次，通过Unet深度学习，将获取到的样本进行训练，引入交叉熵损失函数，提升模型收敛速度以及模型精度。结果表明，采用上述方法对发光件产品亮暗斑缺陷检测效果良好，具有研究意义。

发光件表面缺陷是产品生产工艺的不确定性造成的结果，一般的表面缺陷包括亮斑、暗斑、划痕、坑碰等。这些缺陷会十分影响产品的外观, 更重要的是它们还会影响产品的发光性能。表面检测是指为了确定产品是否满足质量标准和技术要求而进行的测试或测量活动。传统方法主要通过人工目视检测, 不仅会出现人员疲劳、评价标准不一致等情况，同时人眼的时间及空间分辨率有限, 在许多工业场景下只能进行抽检, 难以满足生产过程中高速在线实时检测的需求。

EOL检测技术(End of Line ) 是一种以计算机视觉为基础 , 通过光学相机获取检测目标图像 , 利用算法进行分析决策 , 判断目标是否符合检测规范的非接触式检测方法。计算机视觉检测技术相对于人工检测 , 具备实时性强、效率高、节省人力成本、不易受主观因素干扰的优势 , 逐渐成为发光件表面缺陷检测的重要手段 , 尤其是内饰氛围灯、Logo灯等产品中应用。

1 模型构建

由于缺陷样本量不足，本文提供了一种自动化生成缺陷的思路，可根据客户提供的缺陷样本，自动生成大量的类似缺陷，并生成Unet网络训练所需要的数据集，节省了人工打标签的时间。

1.1自动生成缺陷

在图像处理领域，自动生成缺陷的技术对于质量控制和产品检测具有重要意义。本文介绍了一种基于模板图的缺陷自动生成方法，通过将彩色图像转换为灰度图，获取产品轮廓，并在轮廓上随机生成满足 泊 松分布的亮暗斑，进行图像融合。该方法能够有效地模拟实际缺陷，为后续的缺陷检测和分析提供数据支持。

1.2 Unet基础网络结构

本文模型以Unet网络为基础。Unet结构如图1所示。Unet网络结构左右对称，分为编码器和解码器两部分。编码器用于捕获丰富的特征，解码器用于定位像素。编码器的每一层都可以拼接到对应层次的解码器，实现深层特征和浅层特征的信息融合。正是由于这种特有的拼接结构，使得Unet网络在缺陷检测上分割效果优于其他网络。且Unet的训练不需要大量的数据集，适用于数据集较少的缺陷检测分割任务。

2 实验

2.1数据集

本文以光导产品作为样本数据，如图2所示。

首先需要将图片调整为512*512大小，然后图片加载进图像生成器工具，如图3所示。

通过调整二值化阈值和滤波大小，可自动获取产品轮廓，如图4所示。

通过调整左侧生成器参数，可以生成不同大小、形状、数量的亮暗斑缺陷，并且会在下方显示缺陷位置，如图5所示。

除了亮暗斑缺陷以外，可以根据提供的缺陷模板，生成类似的缺陷.通过生成器，生成了100张缺陷图和模板图，如图6，图7所示。

2.2 实验结果

获取到数据后，将数据放入Unet网络中进行训练 . 如图8所示。

训练了100轮之后，采用效果好的一个模型做预测 . 效果如图9所示 . 由此可见，Unet可将缺陷很好的分割出。

3 总结与展望

本文提出了一种基于Unet的自动化缺陷检测技术，可有效解决样本量不足的情况下，缺陷检测精度低，适应性差等问题，并且不需要人工打标签，极大提高发光件缺陷检测效率。

缺陷检测是一个综合性研究课题，有大量问题值得进一步研究与探索，这里展望以下三个研究内容：

1 . 缺陷特征提取

目前技术方案是针对亮暗斑进行缺陷生成，对于其他缺陷，需要先学习缺陷特征，再进行缺陷生成。针对此问题，后续可以考虑加入 生 成对抗网络(GAN )， 可极大提高缺陷生成的质量，提升训练效果。

2 . 优化Unet网络结构

编码器和解码器的改进：可以通过在原有模块的基础上增加新的网络模块，如残差模块、Dense模块、Inception模块以及Attention模块等，来增强网络的学习能力。例如，MDU-Net添加了Dense和Inception模块，并在不同的层之间进行特征连接。

跳连接的改进：对跳连接的改进也是一个重要的研究方向。如UNet ++ 通过重新设计的跳跃连接到多个尺度的特征，以利用多尺度特征进行图像分割。

数据归一化：数据归一化有助于加快训练速度并缓解梯度弥散问题。除了常见的BN（Batch Normalization）算法外，还可以考虑样本归一化（IN）和组归一化（GN） ， 甚至更先进的归一化技术如FRN 。

函数的选择：函数对神经网络的性能有重要影响。根据具体的应用场景，可以尝试不同的函数，如ReLU、Leaky ReLU、PReLU、Swish等，找到适合当前任务的函数。

损失函数的选择：损失函数直接关系到模型的学习效果。可以根据具体任务选择适合的损失函数，比如交叉熵损失、Dice损失等，也可以探索使用多种损失函数的组合来优化网络性能。

3 . 优化模糊生成策略

缺陷的生成位置对于大部分产品来说可能是随机分布的，然而对于特定产品来说缺陷的生成位置以及形状大小可能都是不确定的，即使提供了样本缺陷，仍然存在情况，因此需要生成更多类型的缺陷及确定缺陷位置，提高缺陷生成的 覆 盖率。