[發(fā)明專利]一種復(fù)雜紋理工業(yè)產(chǎn)品圖像缺陷檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010185912.6
• 申請(qǐng)日: 2020-03-17
• 公開（公告）號(hào): CN111415339B
• 公開（公告）日: 2023-05-09
• 發(fā)明（設(shè)計(jì)）人: 王濤;陳俊豪;程良倫;張俊華
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/25;G06V10/82;G06N3/0464
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 郭帥

本申請(qǐng)公開了一種復(fù)雜紋理工業(yè)產(chǎn)品圖像缺陷檢測(cè)方法，包括：獲取待檢測(cè)工業(yè)產(chǎn)品圖像；基于均值感知哈希算法，將待檢測(cè)工業(yè)產(chǎn)品圖像與預(yù)置數(shù)據(jù)庫中的正常工業(yè)產(chǎn)品圖像進(jìn)行匹配，得到背景單一的第一目標(biāo)圖像，正常工業(yè)產(chǎn)品圖像與待檢測(cè)工業(yè)產(chǎn)品圖像對(duì)應(yīng)同一工業(yè)產(chǎn)品；將第一目標(biāo)圖像輸入到預(yù)置卷積神經(jīng)網(wǎng)絡(luò)，輸出待檢測(cè)工業(yè)產(chǎn)品圖像的檢測(cè)結(jié)果，解決了現(xiàn)有的缺陷檢測(cè)方法在復(fù)雜場景下的適應(yīng)力差和缺陷檢測(cè)準(zhǔn)確率低的技術(shù)問題。

技術(shù)領(lǐng)域

本申請(qǐng)涉及缺陷檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種復(fù)雜紋理工業(yè)產(chǎn)品圖像缺陷檢測(cè)方法。

背景技術(shù)

在實(shí)際生產(chǎn)過程中，工業(yè)產(chǎn)品往往會(huì)受到工業(yè)工藝技術(shù)、生產(chǎn)裝備以及生產(chǎn)環(huán)境等諸多因素影響，因此，工業(yè)產(chǎn)品的質(zhì)量不可避免地會(huì)出現(xiàn)一定的損壞，例如劃傷、變形等。而不合格的產(chǎn)品可能會(huì)導(dǎo)致客戶對(duì)企業(yè)的產(chǎn)品質(zhì)量及信譽(yù)產(chǎn)生懷疑，從而給企業(yè)帶來經(jīng)濟(jì)損失，因此，在實(shí)際生產(chǎn)過程中對(duì)產(chǎn)品實(shí)現(xiàn)實(shí)時(shí)缺陷是非常必要的。

傳統(tǒng)的缺陷檢測(cè)主要依靠人工進(jìn)行，根據(jù)檢測(cè)員的經(jīng)驗(yàn)對(duì)產(chǎn)品進(jìn)行缺陷檢測(cè)，該方法難以滿足目前生產(chǎn)速度的要求，此外，檢測(cè)員長時(shí)間集中注意力作業(yè)，極易產(chǎn)生眼疲勞而導(dǎo)致誤檢或漏檢。為了解決該問題，現(xiàn)有技術(shù)中采用圖像處理技術(shù)代替人工進(jìn)行作業(yè)，現(xiàn)有技術(shù)中常采用邊緣檢測(cè)或灰度分析等進(jìn)行缺陷檢測(cè)，該方法在單一場景、單一背景和判斷規(guī)則可量化的確定場景具有較高的準(zhǔn)確率，對(duì)于復(fù)雜情況下的場景，該方法存在適應(yīng)力差和缺陷檢測(cè)準(zhǔn)確率低的問題。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┝艘环N復(fù)雜紋理工業(yè)產(chǎn)品圖像缺陷檢測(cè)方法，用于解決現(xiàn)有的缺陷檢測(cè)方法在復(fù)雜場景下的適應(yīng)力差和缺陷檢測(cè)準(zhǔn)確率低的技術(shù)問題。

有鑒于此，本申請(qǐng)?zhí)峁┝艘环N復(fù)雜紋理工業(yè)產(chǎn)品圖像缺陷檢測(cè)方法，包括：

獲取待檢測(cè)工業(yè)產(chǎn)品圖像；

基于均值感知哈希算法，將所述待檢測(cè)工業(yè)產(chǎn)品圖像與預(yù)置數(shù)據(jù)庫中的正常工業(yè)產(chǎn)品圖像進(jìn)行匹配，得到背景單一的第一目標(biāo)圖像，所述正常工業(yè)產(chǎn)品圖像與所述待檢測(cè)工業(yè)產(chǎn)品圖像對(duì)應(yīng)同一工業(yè)產(chǎn)品；

將所述第一目標(biāo)圖像輸入到預(yù)置卷積神經(jīng)網(wǎng)絡(luò)，輸出所述待檢測(cè)工業(yè)產(chǎn)品圖像的檢測(cè)結(jié)果。

優(yōu)選地，所述基于均值感知哈希算法，將所述待檢測(cè)工業(yè)產(chǎn)品圖像與預(yù)置數(shù)據(jù)庫中的正常工業(yè)產(chǎn)品圖像進(jìn)行匹配，得到背景單一的第一目標(biāo)圖像，包括：

A1：將所述待檢測(cè)工業(yè)產(chǎn)品圖像劃分為若干個(gè)目標(biāo)區(qū)域，將縮放至預(yù)置大小后的所述目標(biāo)區(qū)域作為感知哈希校驗(yàn)區(qū)域，得到若干個(gè)感知圖像；

A2：計(jì)算每個(gè)灰度感知圖像的像素的灰度平均值，所述灰度感知圖像通過對(duì)所述感知圖像進(jìn)行灰度轉(zhuǎn)換得到；

A3：將每個(gè)所述灰度感知圖像中的每個(gè)像素值與所述灰度感知圖像對(duì)應(yīng)的所述灰度平均值進(jìn)行比較，當(dāng)所述像素值大于所述灰度平均值時(shí)，記為1，當(dāng)所述像素值小于或等于所述灰度平均值時(shí)，記為0；

A4：將每個(gè)所述灰度感知圖像對(duì)應(yīng)得到的1或0按預(yù)置順序組合，得到若干個(gè)所述待檢測(cè)工業(yè)產(chǎn)品圖像的哈希指紋；

A5：將所述正常工業(yè)產(chǎn)品圖像作為所述待檢測(cè)工業(yè)產(chǎn)品圖像，返回步驟A1，得到若干個(gè)所述正常工業(yè)產(chǎn)品圖像的哈希指紋；

A6：統(tǒng)計(jì)所述待檢測(cè)工業(yè)產(chǎn)品圖像的哈希指紋與所述正常工業(yè)產(chǎn)品圖像的哈希指紋在相同位置的值為不同值的數(shù)量；

A7：當(dāng)所述數(shù)量小于預(yù)置閾值時(shí)，將所述待檢測(cè)工業(yè)產(chǎn)品圖像的哈希指紋對(duì)應(yīng)的所述目標(biāo)區(qū)域的像素點(diǎn)置零；

A8：返回步驟A6，當(dāng)所有所述哈希指紋統(tǒng)計(jì)完成后，得到背景單一的所述第一目標(biāo)圖像。

優(yōu)選地，所述將所述第一目標(biāo)圖像輸入到預(yù)置卷積神經(jīng)網(wǎng)絡(luò)，之前還包括：

建立數(shù)據(jù)庫，將所述數(shù)據(jù)庫作為所述預(yù)置數(shù)據(jù)庫，所述數(shù)據(jù)庫包括所述正常工業(yè)產(chǎn)品圖像和缺陷工業(yè)產(chǎn)品圖像；