1.本发明涉及工业质检的技术领域，具体地，涉及基于多光源协同的表面缺陷检测方法及系统。
背景技术：2.工业生产的零件由于制造工艺和运输条件的限制，常常在生产和运输过程中产生表面缺陷。为了确保自动化生产的产品质量，进行零件的表面缺陷检测是不可缺少的关键环节。以往这类零件的检测方法往往分为人工检测和自动化检测两种。
3.在公开号为cn112630230a的专利文献中公开了一种基于光度立体法的在线表面缺陷检测方法，检测过程中，零件随传送带持续运动，当到达检测区域，分布于检测区域四周的光源循环亮起，同时相机同步拍摄不同方向光源照明情况下的图片，在整个过程中零件随传送带持续运动，拍摄不同图片的过程中，零件位置发生了移动，表面缺陷检测步骤包括：通过提取边缘信息制作模板，根据模板匹配实现多张图片中零件位置的统一，以满足后续光度立体法解算的前提条件；通过光度立体法恢复不同工位下的零件表面梯度、曲率信息；依次通过二值化、边缘检测、连通域检测特征提取手段提取零件表面缺陷，并根据阈值进行初步筛选以判断待测零件加工质量是否合格。
4.在公开号为cn113658155a的专利文献中公开了一种基于光度立体的物体表面瑕疵检测分析方法及装置，其中，一种基于光度立体的物体表面瑕疵检测分析方法包括：获取至少三种不同角度光源的待测物体表面图像上的像素值，构建光度立体数学模型；对光度立体数学模型进行反射率计算，构建反射率图；计算得到待测物体表面的梯度场；根据待测物体表面的梯度场，进行高斯表面曲率计算和进行平均表面曲率计算，获取高斯表面曲率缺陷图和平均表面曲率缺陷图；分析反射率图、高斯表面曲率缺陷图和平均表面曲率缺陷图，得到检测结果。
5.其缺点为：1.采用卷积神经网络，训练和测试时输入的图像数量和图像大小必须一致，不利于模型的灵活运用。2.训练和测试时必须将光源方向作为输入，对于无法获得光源准确信息的场景很难运用。3.未构建足够的训练集样本，采用无监督的方法进行学习，三维重建效果不满足预期。4.直接对非朗伯体表面的反射率进行建模，计算繁琐，且很难适应不同材质的物体。
6.因此，需要提出一种新的技术方案以改善上述技术问题。
技术实现要素：7.针对现有技术中的缺陷，本发明的目的是提供一种基于多光源协同的表面缺陷检测方法及系统。
8.根据本发明提供的一种基于多光源协同的表面缺陷检测方法，所述方法包括如下步骤：
9.步骤s1：根据光度立体法的基本原理，以相同的相机视角，采集物体在不同方向光
源照射下的一组图像，根据每个像素点的光照强度计算物体表面的法向量；
10.步骤s2：使用仿真数据集blobby dataset和sculpture dataset作为训练集，对训练集样本进行随机裁剪，并添加噪声，得到训练数据；
11.步骤s3：全卷积神经网络是一个多分支的暹罗网络，在输入端，各分支网络具有相同的配置、参数以及权重，每个分支均以一个三通道rgb图像作为输入，得到多分支特征信息；
12.步骤s4：对网络进行搭建，使用最大池化将步骤s3输出的多分支特征信息进行融合，将数量不定的特征向量聚合为一个具有固定通道数的特征图，保留各个分支最显著的特征，得到待训练检测模型；
13.步骤s5：使用步骤s2中得到的训练数据，输入步骤s4中得到的待训练检测模型，完成模型前向计算，得到已训练检测模型；
14.步骤s6：将步骤s5中得到的已训练检测模型用于实际工业质检场景中，对工件表面缺陷进行检测。
15.优选地，所述步骤s1将相机方向固定竖直向下，设置四个不同方向的光源；各方向光源轮流照射待测物体，相机分别对单个光源照射下的物体进行拍摄，采集到的图像作为测试数据。
16.优选地，所述步骤s3中的每个单分支使用darknet-53的主干部分进行特征提取，使用特征金字塔结构进行特征融合；darknet-53共对输入图像进行五次降采样，压缩图像，减少参数；特征金字塔结构自上而下地将高层特征信息与低层特征信息融合，并传递到下一层，加强特征的提取，得到多分支特征信息。
17.优选地，所述步骤s4中将融合特征信息输入法向量回归网络；所述法向量回归网络设置有两个上采样层和一个逆卷积层；在法向量回归网络的末端采用l2归一化层统一特征向量的量纲，并生成表面法向量；网络搭建完成后，得到待训练检测模型。
18.优选地，所述步骤s5中的训练的结果采用预测法向量和真实法向量之间的估计误差进行监督；采用余弦相似度表示损失函数；通过损失函数计算实际输出和期望输出之间的差距，根据梯度反向传播算法，得到模型中能够学习参数的梯度，根据优化器配置完成梯度的参数更新，再次进行前向传播，反复迭代；随着损失函数逐渐减小，完成模型的训练，得到已训练检测模型。
19.本发明还提供一种基于多光源协同的表面缺陷检测系统，所述系统包括如下模块：
20.模块m1：根据光度立体法的基本原理，以相同的相机视角，采集物体在不同方向光源照射下的一组图像，根据每个像素点的光照强度计算物体表面的法向量；
21.模块m2：使用仿真数据集blobby dataset和sculpture dataset作为训练集，对训练集样本进行随机裁剪，并添加噪声，得到训练数据；
22.模块m3：全卷积神经网络是一个多分支的暹罗网络，在输入端，各分支网络具有相同的配置、参数以及权重，每个分支均以一个三通道rgb图像作为输入，得到多分支特征信息；
23.模块m4：对网络进行搭建，使用最大池化将模块m3输出的多分支特征信息进行融合，将数量不定的特征向量聚合为一个具有固定通道数的特征图，保留各个分支最显著的
特征，得到待训练检测模型；
24.模块m5：使用模块m2中得到的训练数据，输入模块m4中得到的待训练检测模型，完成模型前向计算，得到已训练检测模型；
25.模块m6：将模块m5中得到的已训练检测模型用于实际工业质检场景中，对工件表面缺陷进行检测。
26.优选地，所述模块m1将相机方向固定竖直向下，设置四个不同方向的光源；各方向光源轮流照射待测物体，相机分别对单个光源照射下的物体进行拍摄，采集到的图像作为测试数据。
27.优选地，所述模块m3中的每个单分支使用darknet-53的主干部分进行特征提取，使用特征金字塔结构进行特征融合；darknet-53共对输入图像进行五次降采样，压缩图像，减少参数；特征金字塔结构自上而下地将高层特征信息与低层特征信息融合，并传递到下一层，加强特征的提取，得到多分支特征信息。
28.优选地，所述模块m4中将融合特征信息输入法向量回归网络；所述法向量回归网络设置有两个上采样层和一个逆卷积层；在法向量回归网络的末端采用l2归一化层统一特征向量的量纲，并生成表面法向量；网络搭建完成后，得到待训练检测模型。
29.优选地，所述模块m5中的训练的结果采用预测法向量和真实法向量之间的估计误差进行监督；采用余弦相似度表示损失函数；通过损失函数计算实际输出和期望输出之间的差距，根据梯度反向传播算法，得到模型中能够学习参数的梯度，根据优化器配置完成梯度的参数更新，再次进行前向传播，反复迭代；随着损失函数逐渐减小，完成模型的训练，得到已训练检测模型。
30.与现有技术相比，本发明具有如下的有益效果：
31.1、本发明提出了基于光度立体视觉的表面缺陷检测方法，通过二维图像对物体的三维形状进行还原，解决了工业质检场景下三维缺陷难以检测与分类的问题；
32.2、本发明提出了基于多分支融合的全卷积神经网络，通过直接学习物体表面像素强度到表面法线图的映射，解决了经典光度立体法对实际物体难以运用、非朗伯光度立体法建模繁琐复杂的问题；
33.3、本发明采用多分支融合的全卷积神经网络，训练和测试时输入图像的数量和大小均可以任意设置，拓展了模型的运用空间；
34.4、本发明的模型训练和测试时无需将光源方向作为输入，实现了非标定的光度立体方法，能够更灵活地运用于光源方向不可知的三维重建场景；
35.5、本发明基于blobby dataset和sculpture dataset进行训练，并构建了仿真工件数据集，获取了充分的训练和测试数据，采用预测法向量和真实法向量之间的估计误差进行监督学习，取得了较好的测试效果；
36.6、本发明无需对待测物体表面的反射率进行建模，直接实现了从待测物体表面像素强度到表面法线图的映射。
附图说明
37.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
38.图1为本发明实验装置图；
39.图2为本发明实验装置缺陷检测流程图；
40.图3为本发明基于多分支融合的全卷积神经网络结构图；
41.图4为本发明多分支模块结构图；
42.图5为本发明训练逻辑图；
43.图6为本发明推断逻辑图。
具体实施方式
44.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
45.实施例1：
46.根据本发明提供的一种基于多光源协同的表面缺陷检测方法，所述方法包括如下步骤：
47.步骤s1：根据光度立体法的基本原理，以相同的相机视角，采集物体在不同方向光源照射下的一组图像，根据每个像素点的光照强度计算物体表面的法向量；将相机方向固定竖直向下，设置四个不同方向的光源；各方向光源轮流照射待测物体，相机分别对单个光源照射下的物体进行拍摄，采集到的图像作为测试数据。
48.步骤s2：使用仿真数据集blobby dataset和sculpture dataset作为训练集，对训练集样本进行随机裁剪，并添加噪声，得到训练数据；
49.步骤s3：全卷积神经网络是一个多分支的暹罗网络，在输入端，各分支网络具有相同的配置、参数以及权重，每个分支均以一个三通道rgb图像作为输入，得到多分支特征信息；每个单分支使用darknet-53的主干部分进行特征提取，使用特征金字塔结构进行特征融合；darknet-53共对输入图像进行五次降采样，压缩图像，减少参数；特征金字塔结构自上而下地将高层特征信息与低层特征信息融合，并传递到下一层，加强特征的提取，得到多分支特征信息。
50.步骤s4：对网络进行搭建，使用最大池化将步骤s3输出的多分支特征信息进行融合，将数量不定的特征向量聚合为一个具有固定通道数的特征图，保留各个分支最显著的特征，得到待训练检测模型；将融合特征信息输入法向量回归网络；所述法向量回归网络设置有两个上采样层和一个逆卷积层；在法向量回归网络的末端采用l2归一化层统一特征向量的量纲，并生成表面法向量；网络搭建完成后，得到待训练检测模型。
51.步骤s5：使用步骤s2中得到的训练数据，输入步骤s4中得到的待训练检测模型，完成模型前向计算，得到已训练检测模型；训练的结果采用预测法向量和真实法向量之间的估计误差进行监督；采用余弦相似度表示损失函数；通过损失函数计算实际输出和期望输出之间的差距，根据梯度反向传播算法，得到模型中能够学习参数的梯度，根据优化器配置完成梯度的参数更新，再次进行前向传播，反复迭代；随着损失函数逐渐减小，完成模型的训练，得到已训练检测模型。
52.步骤s6：将步骤s5中得到的已训练检测模型用于实际工业质检场景中，对工件表
面缺陷进行检测。
53.实施例2：
54.实施例2为实施例1的优选例，以更为具体地对本发明进行说明。
55.本发明还提供一种基于多光源协同的表面缺陷检测系统，所述系统包括如下模块：
56.模块m1：根据光度立体法的基本原理，以相同的相机视角，采集物体在不同方向光源照射下的一组图像，根据每个像素点的光照强度计算物体表面的法向量；将相机方向固定竖直向下，设置四个不同方向的光源；各方向光源轮流照射待测物体，相机分别对单个光源照射下的物体进行拍摄，采集到的图像作为测试数据。
57.模块m2：使用仿真数据集blobby dataset和sculpture dataset作为训练集，对训练集样本进行随机裁剪，并添加噪声，得到训练数据；
58.模块m3：全卷积神经网络是一个多分支的暹罗网络，在输入端，各分支网络具有相同的配置、参数以及权重，每个分支均以一个三通道rgb图像作为输入，得到多分支特征信息；每个单分支使用darknet-53的主干部分进行特征提取，使用特征金字塔结构进行特征融合；darknet-53共对输入图像进行五次降采样，压缩图像，减少参数；特征金字塔结构自上而下地将高层特征信息与低层特征信息融合，并传递到下一层，加强特征的提取，得到多分支特征信息。
59.模块m4：对网络进行搭建，使用最大池化将模块m3输出的多分支特征信息进行融合，将数量不定的特征向量聚合为一个具有固定通道数的特征图，保留各个分支最显著的特征，得到待训练检测模型；将融合特征信息输入法向量回归网络；所述法向量回归网络设置有两个上采样层和一个逆卷积层；在法向量回归网络的末端采用l2归一化层统一特征向量的量纲，并生成表面法向量；网络搭建完成后，得到待训练检测模型。
60.模块m5：使用模块m2中得到的训练数据，输入模块m4中得到的待训练检测模型，完成模型前向计算，得到已训练检测模型；训练的结果采用预测法向量和真实法向量之间的估计误差进行监督；采用余弦相似度表示损失函数；通过损失函数计算实际输出和期望输出之间的差距，根据梯度反向传播算法，得到模型中能够学习参数的梯度，根据优化器配置完成梯度的参数更新，再次进行前向传播，反复迭代；随着损失函数逐渐减小，完成模型的训练，得到已训练检测模型。
61.模块m6：将模块m5中得到的已训练检测模型用于实际工业质检场景中，对工件表面缺陷进行检测。
62.实施例3：
63.实施例3为实施例1的优选例，以更为具体地对本发明进行说明。
64.本专利针对工业质检场景，提出了一种新的表面缺陷检测方法，即使用光度立体法对待测物体表面进行三维重建，从而对平面中的三维缺陷如压痕和鼓包等实现了高精度的感知。
65.本专利提出了一种基于多分支融合的全卷积神经网络，其包含特征提取、特征融合、池化层以及法向量回归网络，包括如下模块：
66.模块一，实验装置模块。根据光度立体法的基本原理，以相同的相机视角，采集物体在不同方向光源照射下的一组图像，根据每个像素点的光照强度来计算物体表面的法向
量。本专利将相机方向固定竖直向下，并设置四个不同方向的光源。由于本专利无需对光源方向进行学习，故不用对光源进行标定。在图像采集环节，各方向光源轮流照射待测物体，相机分别对单个光源照射下的物体进行拍摄，采集到的图像作为测试数据。
67.模块二，训练数据处理模块。本专利使用了仿真数据集blobby dataset和sculpture dataset作为训练集。为了减小训练集与真实场景之间的差距，本专利对训练集样本进行了随机裁剪，并添加了噪声，得到训练数据。
68.模块三，多分支模块。本专利提出的全卷积神经网络是一个多分支的暹罗网络。在输入端，各分支网络具有相同的配置、参数以及权重，每个分支均以一个三通道rgb图像作为输入。每个单分支都使用darknet-53的主干部分来进行特征提取，使用特征金字塔结构来进行特征融合。darknet-53共对输入图像进行五次降采样，以此压缩图像，减少参数。特征金字塔结构则自上而下地将高层特征信息与低层特征信息融合，并接着传递到下一层，加强了特征的提取，得到了高分辨率、强语义的多分支特征信息。
69.模块四，网络结构模块。对网络进行搭建，首先使用最大池化将多分支模块输出的多分支特征信息进行融合，将数量不定的特征向量聚合为一个具有固定通道数的特征图，并且保留了各个分支最显著的特征。随后将融合特征信息输入法向量回归网络。该网络设置了两个上采样层和一个逆卷积层来保证最终输出的特征图与输入图像的维度保持一致。在法向量回归网络的末端，采用l2归一化层来统一特征向量的量纲，并生成表面法向量。网络搭建完成后，得到待训练检测模型。
70.模块五，训练模块。本专利使用数据处理模块中得到的训练数据，输入网络结构模块中得到的待训练检测模型，完成模型前向计算。训练的结果采用预测法向量和真实法向量之间的估计误差进行监督。本专利采用余弦相似度来表示损失函数。对于向量a和向量b，它们之间夹角的余弦值可以表示为：
[0071][0072]
因此，本专利提出的全卷积神经网络的损失函数可以表示为：
[0073][0074]
其中，n
ij
表示点(i,j)处的真实单位法向量，表示点(i,j)处的预测单位法向量，w为输入图像的宽，h为输入图像的高。如果预测法向量和真实法向量足够相似，那么的值将足够接近1，损失函数的值将很小。如果预测法向量和真实法向量过于偏离，那么将趋于0，损失函数的值将很大。通过损失函数计算实际输出和期望输出之间的差距，根据梯度反向传播算法，得到模型中可学习参数的梯度，根据优化器配置完成梯度的参数更新，再次进行前向传播，反复迭代。随着损失函数逐渐减小，完成模型的训练，得到已训练检测模型。
[0075]
模块六，推断模块。将训练模块中得到的已训练检测模型用于实际工业质检场景中，实现工件表面缺陷的检测。将测试数据输入已训练检测模型，模型的法向量回归网络将输出重构的物体表面法线图。本专利针对恢复出的表面法线图来进行图像处理与缺陷检测。在恢复表面法线图的过程中，模型中输入了一个无缺陷的样本，以此恢复出一张无缺陷
的表面法线图，作为掩模。将对应图像的法向量值与掩模的法向量值相减，以突出缺陷处的法线信息，随后的缺陷检测将依据去除掩模的缺陷法向量值进行。然后，本专利对图像分别进行了灰度化、高斯模糊、开运算以及canny算子边缘检测，以此来消除图像中的噪声并识别缺陷边缘。最后，通过识别缺陷边缘生成检测框，并将邻近点的多个检测框合为一个，实现缺陷检测。
[0076]
在工业质检环境下，对于压痕、鼓包等缺陷，传统的二维缺陷检测策略很容易出现分类错误，产生误检。本专利提出了基于光度立体视觉的表面缺陷检测方法，通过二维图像对物体的三维形状进行还原，解决了工业质检场景下三维缺陷难以检测与分类的问题。
[0077]
本专利提出了基于多分支融合的全卷积神经网络，通过直接学习物体表面像素强度到表面法线图的映射，解决了经典光度立体法对实际物体难以运用、非朗伯光度立体法建模繁琐复杂的问题。
[0078]
本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。
[0079]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0080]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。
技术特征：1.一种基于多光源协同的表面缺陷检测方法，其特征在于，所述方法包括如下步骤：步骤s1：根据光度立体法的基本原理，以相同的相机视角，采集物体在不同方向光源照射下的一组图像，根据每个像素点的光照强度计算物体表面的法向量；步骤s2：使用仿真数据集blobby dataset和sculpture dataset作为训练集，对训练集样本进行随机裁剪，并添加噪声，得到训练数据；步骤s3：全卷积神经网络是一个多分支的暹罗网络，在输入端，各分支网络具有相同的配置、参数以及权重，每个分支均以一个三通道rgb图像作为输入，得到多分支特征信息；步骤s4：对网络进行搭建，使用最大池化将步骤s3输出的多分支特征信息进行融合，将数量不定的特征向量聚合为一个具有固定通道数的特征图，保留各个分支最显著的特征，得到待训练检测模型；步骤s5：使用步骤s2中得到的训练数据，输入步骤s4中得到的待训练检测模型，完成模型前向计算，得到已训练检测模型；步骤s6：将步骤s5中得到的已训练检测模型用于实际工业质检场景中，对工件表面缺陷进行检测。2.根据权利要求1所述的基于多光源协同的表面缺陷检测方法，其特征在于，所述步骤s1将相机方向固定竖直向下，设置四个不同方向的光源；各方向光源轮流照射待测物体，相机分别对单个光源照射下的物体进行拍摄，采集到的图像作为测试数据。3.根据权利要求1所述的基于多光源协同的表面缺陷检测方法，其特征在于，所述步骤s3中的每个单分支使用darknet-53的主干部分进行特征提取，使用特征金字塔结构进行特征融合；darknet-53共对输入图像进行五次降采样，压缩图像，减少参数；特征金字塔结构自上而下地将高层特征信息与低层特征信息融合，并传递到下一层，加强特征的提取，得到多分支特征信息。4.根据权利要求1所述的基于多光源协同的表面缺陷检测方法，其特征在于，所述步骤s4中将融合特征信息输入法向量回归网络；所述法向量回归网络设置有两个上采样层和一个逆卷积层；在法向量回归网络的末端采用l2归一化层统一特征向量的量纲，并生成表面法向量；网络搭建完成后，得到待训练检测模型。5.根据权利要求1所述的基于多光源协同的表面缺陷检测方法，其特征在于，所述步骤s5中的训练的结果采用预测法向量和真实法向量之间的估计误差进行监督；采用余弦相似度表示损失函数；通过损失函数计算实际输出和期望输出之间的差距，根据梯度反向传播算法，得到模型中能够学习参数的梯度，根据优化器配置完成梯度的参数更新，再次进行前向传播，反复迭代；随着损失函数逐渐减小，完成模型的训练，得到已训练检测模型。6.一种基于多光源协同的表面缺陷检测系统，其特征在于，所述系统包括如下模块：模块m1：根据光度立体法的基本原理，以相同的相机视角，采集物体在不同方向光源照射下的一组图像，根据每个像素点的光照强度计算物体表面的法向量；模块m2：使用仿真数据集blobby dataset和sculpture dataset作为训练集，对训练集样本进行随机裁剪，并添加噪声，得到训练数据；模块m3：全卷积神经网络是一个多分支的暹罗网络，在输入端，各分支网络具有相同的配置、参数以及权重，每个分支均以一个三通道rgb图像作为输入，得到多分支特征信息；模块m4：对网络进行搭建，使用最大池化将模块m3输出的多分支特征信息进行融合，将
数量不定的特征向量聚合为一个具有固定通道数的特征图，保留各个分支最显著的特征，得到待训练检测模型；模块m5：使用模块m2中得到的训练数据，输入模块m4中得到的待训练检测模型，完成模型前向计算，得到已训练检测模型；模块m6：将模块m5中得到的已训练检测模型用于实际工业质检场景中，对工件表面缺陷进行检测。7.根据权利要求6所述的基于多光源协同的表面缺陷检测系统，其特征在于，所述模块m1将相机方向固定竖直向下，设置四个不同方向的光源；各方向光源轮流照射待测物体，相机分别对单个光源照射下的物体进行拍摄，采集到的图像作为测试数据。8.根据权利要求6所述的基于多光源协同的表面缺陷检测系统，其特征在于，所述模块m3中的每个单分支使用darknet-53的主干部分进行特征提取，使用特征金字塔结构进行特征融合；darknet-53共对输入图像进行五次降采样，压缩图像，减少参数；特征金字塔结构自上而下地将高层特征信息与低层特征信息融合，并传递到下一层，加强特征的提取，得到多分支特征信息。9.根据权利要求6所述的基于多光源协同的表面缺陷检测系统，其特征在于，所述模块m4中将融合特征信息输入法向量回归网络；所述法向量回归网络设置有两个上采样层和一个逆卷积层；在法向量回归网络的末端采用l2归一化层统一特征向量的量纲，并生成表面法向量；网络搭建完成后，得到待训练检测模型。10.根据权利要求6所述的基于多光源协同的表面缺陷检测系统，其特征在于，所述模块m5中的训练的结果采用预测法向量和真实法向量之间的估计误差进行监督；采用余弦相似度表示损失函数；通过损失函数计算实际输出和期望输出之间的差距，根据梯度反向传播算法，得到模型中能够学习参数的梯度，根据优化器配置完成梯度的参数更新，再次进行前向传播，反复迭代；随着损失函数逐渐减小，完成模型的训练，得到已训练检测模型。
技术总结本发明提供了一种基于多光源协同的表面缺陷检测方法及系统，包括采集物体在不同方向光源照射下的一组图像；对训练集样本进行随机裁剪，并添加噪声，得到训练数据；每个分支均以一个三通道RGB图像作为输入，得到多分支特征信息；对网络进行搭建，使用最大池化将多分支特征信息进行融合，将数量不定的特征向量聚合为一个具有固定通道数的特征图，保留各个分支最显著的特征，得到待训练检测模型；使用训练数据，输入待训练检测模型，完成模型前向计算，得到已训练检测模型；将已训练检测模型用于实际工业质检场景中，对工件表面缺陷进行检测。本发明通过二维图像对物体的三维形状进行还原，解决了工业质检场景下三维缺陷难以检测与分类的问题。分类的问题。分类的问题。
技术研发人员：李源琦 刘潇颖
受保护的技术使用者：上海互觉科技有限公司
技术研发日：2022.06.16
技术公布日：2022/11/1
