[發明專利]一種基于Internet網絡的缺陷檢測方法、裝置、設備和介質

有效

• 申請號: 202010146331.1
• 申請日: 2020-03-05
• 公開（公告）號: CN111462043B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 黃旭東;林宇
• 申請（專利權）人: 維庫（廈門）信息技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06V10/25;G06V10/40;G06N3/047;G06N3/044;G06N3/08
• 代理公司: 福州市京華專利代理事務所(普通合伙) 35212
• 代理人: 林云嬌

1.一種基于Internet網絡的缺陷檢測方法，其特征在于：所述方法應用于終端，所述檢測方法包括：

步驟S1、讀取圖像文件，對所述圖像文件中的缺陷目標進行標注，將標注后的圖像文件數據打包傳輸給網絡服務器；

步驟S2、接收網絡服務器基于所述圖像文件數據進行深度神經網絡訓練后返回的訓練權重文件；

步驟S3、使用推理工具載入所述訓練權重文件對圖像文件進行推理，得到圖像文件的坐標位置以及類別信息。

2.根據權利要求1所述的一種基于Internet網絡的缺陷檢測方法，其特征在于：所述步驟S1具體為：

從圖像文件夾中讀取圖像文件，對于讀取的每一圖像文件，均使用多邊形將圖像文件中缺陷目標的ROI區域繪制出來，并獲取所述ROI區域的坐標信息，以及設置缺陷目標的類別名稱和類別序號，且將坐標信息、類別名稱以及類別序號保存到缺陷標注文件中；將缺陷標注文件與圖像文件放置到一新文件夾中，并使用壓縮工具將整個新文件夾打包傳輸給網絡服務器；

同時，獲取深度神經網絡模型文件，將深度神經網絡模型文件傳輸給網絡服務器。

3.根據權利要求2所述的一種基于Internet網絡的缺陷檢測方法，其特征在于：在所述步驟S2中，所述的網絡服務器基于所述圖像文件數據進行深度神經網絡訓練后返回的訓練權重文件具體為：

由網絡服務器對接收到的新文件夾的壓縮包進行解壓，從新文件夾中獲取缺陷標注文件和圖像文件到內存中；同時，讀取深度神經網絡模型文件的文件信息到內存中；使用訓練工具讀取缺陷標注文件和圖像文件對深度神經網絡模型文件進行訓練得到訓練權重文件，使用壓縮工具打包訓練權重文件并返回給終端。

4.根據權利要求1所述的一種基于Internet網絡的缺陷檢測方法，其特征在于：所述網絡服務器為GPU云服務器、AI云服務器、局域網GPU服務器或者局域網AI服務器。

5.根據權利要求3所述的一種基于Internet網絡的缺陷檢測方法，其特征在于：所述訓練工具為tensorflow工具或者pytorch工具；所述深度神經網絡模型文件為Faster-RCNN模型文件。

6.一種基于Internet網絡的缺陷檢測裝置，其特征在于：所述檢測裝置包括圖像標注模塊、權重文件接收模塊以及圖像推理模塊；

所述圖像標注模塊，用于讀取圖像文件，對所述圖像文件中的缺陷目標進行標注，將標注后的圖像文件數據打包傳輸給網絡服務器；

所述權重文件接收模塊，用于接收網絡服務器基于所述圖像文件數據進行深度神經網絡訓練后返回的訓練權重文件；

所述圖像推理模塊，用于使用推理工具載入所述訓練權重文件對圖像文件進行推理，得到圖像文件的坐標位置以及類別信息。

7.根據權利要求6所述的一種基于Internet網絡的缺陷檢測裝置，其特征在于：所述圖像標注模塊具體為：從圖像文件夾中讀取圖像文件，對于讀取的每一圖像文件，均使用多邊形將圖像文件中缺陷目標的ROI區域繪制出來，并獲取所述ROI區域的坐標信息，以及設置缺陷目標的類別名稱和類別序號，且將坐標信息、類別名稱以及類別序號保存到缺陷標注文件中；將缺陷標注文件與圖像文件放置到一新文件夾中，并使用壓縮工具將整個新文件夾打包傳輸給網絡服務器；

同時，獲取深度神經網絡模型文件，將深度神經網絡模型文件傳輸給網絡服務器。

8.根據權利要求7所述的一種基于Internet網絡的缺陷檢測裝置，其特征在于：在所述權重文件接收模塊中，所述的網絡服務器基于所述圖像文件數據進行深度神經網絡訓練后返回的訓練權重文件具體為：

由網絡服務器對接收到的新文件夾的壓縮包進行解壓，從新文件夾中獲取缺陷標注文件和圖像文件到內存中；同時，讀取深度神經網絡模型文件的文件信息到內存中；使用訓練工具讀取缺陷標注文件和圖像文件對深度神經網絡模型文件進行訓練得到訓練權重文件，使用壓縮工具打包訓練權重文件并返回給終端。