[發明專利]一種基于多光源融合的外觀缺陷檢測方法及系統

在審

• 申請號: 201910694076.1
• 申請日: 2019-07-30
• 公開（公告）號: CN110473178A
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 閆龑;陳果;王洋;毛雪慧
• 申請（專利權）人: 上海深視信息科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T7/62;G06K9/46
• 代理公司: 31253 上海精晟知識產權代理有限公司
• 代理人: 姜杉<國際申請>=<國際公布>=<進入國

1.一種基于多光源融合的外觀缺陷檢測方法，其特征在于，包括：

S1：使用多角度光源對檢材表面進行拍攝，獲得多張檢材圖像；

S2：對所述多張檢材圖像進行預處理，得到檢材預處理圖像；

S3：將所述檢材預處理圖像進行融合處理，得到檢材融合處理圖像；

S4：將所述檢材融合處理圖像輸入到預先訓練的深度學習模型中，得到判別結果；

S5：存儲所述判別結果與所述多張檢材圖像，用于所述深度學習模型的模型升級。

2.根據權利要求1所述的一種基于多光源融合的外觀缺陷檢測方法，其特征在于，所述預處理所使用的方法為裁剪、拼接、通道合并、濾波、模板定位方法中的一種或多種；

所述融合處理所使用的方法為金字塔分解融合法、小波變換法、邏輯濾波法、灰度加權平均法或者對比調制法的一種或多種。

3.根據權利要求1所述的一種基于多光源融合的外觀缺陷檢測方法，其特征在于，還包括S0：訓練所述深度學習模型；

所述S0包括：

S0-1：使用所述多角度光源對多個所述檢材表面進行拍攝，獲得多個所述多張檢材圖像；

S0-2：對多個所述多張檢材圖像進行所述預處理，得到多個所述檢材預處理圖像；

S0-3：對多個所述檢材預處理圖像進行所述融合處理，得到多個所述檢材融合處理圖像；

S0-4：將多個所述檢測融合處理圖像劃分為訓練集和測試集；

S0-5：設定多個具有不同任務目標的深度學習模型生成算法；

S0-6：使用多通道導入所述訓練集，使用圖像特征提取算法對所述訓練集的圖像進行提取，得到特征集；

S0-7：將所述特征集導入所述多個具有不同任務目標的深度學習模型中，得到多個深度學習過程模型；

S0-8：將多個所述深度學習過程模型使用模型融合處理，得到過程深度學習模型；

S0-9：將所述測試集輸入所述過程深度學習模型中，得到過程深度學習測試結果；

S0-10：根據所述深度學習測試結果進行模型準確性驗證，如果沒有通過模型準確性驗證，調整所述深度學習模型訓練參數，返回所述S0-5；如果通過了模型準確性驗證，將所述過程深度學習模型轉換為所述深度學習模型并輸出所述深度學習模型。

4.根據權利要求3所述的一種基于多光源融合的外觀缺陷檢測方法，其特征在于，所述模型準確性驗證的評估指標為精確率、召回率、AUC、AUPR的一種或多種。

5.根據權利要求3所述的一種基于多光源融合的外觀缺陷檢測方法，其特征在于，S0還包括S0-12：使用對抗學習策略強化所述深度學習模型。

6.一種基于多光源融合的外觀缺陷檢測系統，實現權利要求1至5任一所述的一種基于多光源融合的外觀缺陷檢測方法，其特征在于，包括立體光源圖像采集模塊、圖像預處理模塊、圖像檢測模塊；

所述立體光源圖像采集模塊包括傳送帶、檢測臺、高清相機、光源和光源支架；

所述立體光源圖像采集模塊與所述圖像預處理模塊相連，將所述立體光源圖像采集模塊采集到的原始圖像傳輸到所述圖像預處理模塊；

所述圖像預處理模塊為基于裁剪、拼接、通道合并、濾波、模板定位的計算機程序中的一種或多種，接收并處理所述原始圖像以產生預處理圖像；

所述圖像檢測模塊包括檢測端多通道立體輸入模塊和預先訓練好的深度學習模型；

所述圖像檢測模塊與所述圖像預處理模塊相連，接收所述預處理圖像。

7.根據權利要求6所述的一種基于多光源融合的外觀缺陷檢測系統，其特征在于，還包括深度學習模型生成模塊；

所述深度學習模型生成模塊包括訓練用多通道立體輸入模塊、多任務學習模塊和對抗學習模塊；

所述訓練用多通道立體輸入模塊與所述圖像預處理模塊相連接，接收所述多個預處理圖像；

所述多任務學習模塊包括圖像細節特征提取模塊、任務學習模塊和任務結果融合處理模塊。