汽车铝铸件检测过程中图像缺陷干扰多分割困难的问题

       由于生产环境的影响，在铝铸件表面难以避免会出现油污水渍等，其颜色形态与缺陷相似，容易被误检测为缺陷，故识别系统还需识别出此类“伪缺陷”。因为四类缺陷的几何特征全部数据量比较大，故本文只列举对裂纹、气孔捕获，如表1所示。气孔2,“伪缺陷”的5组样本的几何特征进行识别并因铝铸件的裂纹缺陷样本数量比较少，所以为了保证样本的数量放位置和拍摄的角度，共采集到含有裂纹的铝铸件图像50幅。取裂纹20幅作为训练样本。对不同缺陷的分类结果如表3所示。改变铝铸件在拍摄平台上的摆气孔1、气孔2、油污图像各结果表明，对于铝铸件较常见的气孔缺陷，本文提出的算法识别率在90%以上。对裂纹的识别率相对来说较低，原因在于裂纹缺陷不经常发生，所以训练样本存在数量过少的问题，对分类结果有一定程度的影响。

       本文的算法能有效地自动识别出铝铸件表面缺陷，最常见的气孔缺陷识别率达到了90%以上，裂纹缺陷的识别率达到goo。存在误识率是因为机器视觉算法对同类缺陷间的各种细微差别为敏感，再加上样本(尤其是裂纹缺陷样本)数量有限，SVM分类器没办法得到很好的训练，从而可能出现部分与人工先验判断不一致的结论，在后续研究中需对算法进行完善，以进一步提高识别率。但综合评判文章提出的算法，它能有效地实现铝铸件缺陷的自动分类识别，并且对工业生产实际具备一定的指导意义。

       针对汽车铝铸件检测过程中图像缺陷干扰多、分割困难的问题，提出基于GAN-UNet++的图像缺陷分割算法，将UNet++作为生成器引入生成对抗网络(GAN)，生成缺陷分割的图像，同时使用人工标记的分割图像作为真实图像，将真实图像和生成器生成的分割图像输入判别器网络，通过判别器与生成器的相互博弃，直至判别器无法辨别生成器生成的分割图像来源，获得满足条件的生成器。GAN-UNet++通过与UNet, UNet++, GAN-UNet相比，GAN-UNet++算法与标记图相似度达到了97.6%，高于其他3种算法，验证了提出的图像分割算法满足工业检测需求。http://www.zblansheng.cn/