[發明專利]一種檢測產品缺陷的方法及裝置

在審

• 申請號: 201910431943.2
• 申請日: 2019-05-23
• 公開（公告）號: CN110136130A
• 公開（公告）日: 2019-08-16
• 發明（設計）人: 徐文杰;黃耀;張輝
• 申請（專利權）人: 北京阿丘機器人科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G01N21/84;G01N21/95
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 徐彥圣

本申請提供了一種檢測產品缺陷的方法及裝置，包括：獲取待檢測產品的深度圖像，將所述深度圖像轉換為平面灰度圖像；將所述平面灰度圖像輸入到預先構建的深度學習網絡，得到所述待檢測產品的缺陷檢測結果。可以提升產品缺陷的檢測效率。

技術領域

本申請涉及檢測技術領域，具體而言，涉及一種檢測產品缺陷的方法及裝置。

背景技術

在工業生產過程中，由于機械震動、聲音及光線等外界環境以及復雜的生產工藝，可能導致生產出的產品外觀不良，從而使生產出的產品變成缺陷產品，降低了生產效率。為了保障產品的外觀符合相應的生產要求，需要對工業生產過程中的產品進行一系列檢測。

目前在產品檢測中，一般使用工業相機進行產品缺陷的視覺檢測，基于對產品表面拍攝得到的二維圖像進行分析。但該產品缺陷檢測方法，需要針對每一類缺陷，人為設計用于該缺陷檢測的視覺檢測算法，視覺檢測算法對應的檢測算子需要調節大量參數才能使檢測運行穩定，因而，需要消耗大量時間，且能夠檢測的產品缺陷較為單一，不能檢測出除設計的各視覺檢測算法之外的產品缺陷，使得產品缺陷的檢測效率不高。

發明內容

有鑒于此，本申請的目的在于提供一種檢測產品缺陷的方法及裝置，提升產品缺陷的檢測效率。

第一方面，本申請實施例提供了一種檢測產品缺陷的方法，包括：

獲取待檢測產品的深度圖像，將所述深度圖像轉換為平面灰度圖像；

將所述平面灰度圖像輸入到預先構建的深度學習網絡，得到所述待檢測產品的缺陷檢測結果，其中，通過如下步驟構建所述深度學習網絡；

獲取樣品的樣品深度圖像，將所述樣品深度圖像轉換為樣品平面灰度圖像；

依據所述樣品包含的缺陷特征，對所述樣品對應的樣品平面灰度圖像進行標注，根據標注的樣品平面灰度圖像，將所述標注的樣品平面灰度圖像劃分為訓練集以及測試集；

以所述訓練集中標注的樣品平面灰度圖像的缺陷區域作為深度學習訓練網絡的輸入，以該缺陷區域對應的缺陷類型作為所述深度學習訓練網絡的輸出，對所述深度學習訓練網絡進行訓練；

以所述測試集中標注的樣品平面灰度圖像的缺陷區域作為訓練的深度學習訓練網絡的輸入，獲取所述訓練的深度學習訓練網絡的輸出結果，與以該缺陷區域對應的缺陷類型進行比對，獲取所述訓練的深度學習訓練網絡的網絡精度；

若所述網絡精度小于預先設置的精度閾值，依據所述訓練集對所述訓練的深度學習訓練網絡繼續訓練，直至所述訓練的深度學習訓練網絡的網絡精度不小于所述精度閾值，得到所述深度學習網絡。

可選地，所述依據所述樣品包含的缺陷，對所述樣品對應的樣品平面灰度圖像標注，包括：

分析所述樣品包含的缺陷區域，提取該缺陷區域的缺陷特征，依據預先構建的缺陷類型與缺陷特征的對應關系，確定每一缺陷特征對應的缺陷類型；

在所述樣品對應的樣品平面灰度圖像的缺陷區域進行確定的缺陷類型標注。

可選地，所述根據標注的樣品平面灰度圖像，將所述標注的樣品平面灰度圖像劃分為訓練集以及測試集，包括：

針對每一標注的樣品平面灰度圖像，統計該標注的樣品平面灰度圖像的缺陷類型數量，若統計的缺陷類型數量超過預設的缺陷類型數閾值，將該標注的樣品平面灰度圖像置于訓練集中，否則，將該標注的樣品平面灰度圖像置于測試集中。

可選地，所述訓練集中還包含有無缺陷的樣品平面灰度圖像，所述測試集中還包含有無缺陷的樣品平面灰度圖像。

可選地，在將所述樣品深度圖像轉換為樣品平面灰度圖像之后，依據所述樣品包含的缺陷，對所述樣品對應的樣品平面灰度圖像進行標注之前，所述方法還包括：