[發明專利]產品缺陷檢測方法

在審

• 申請號: 202010773007.2
• 申請日: 2020-08-04
• 公開（公告）號: CN111951238A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 王罡;潘正頤
• 申請（專利權）人: 上海微億智造科技有限公司;常州微億智造科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06T7/194;G01N21/88;G06K9/62;G06N3/08
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 李佳俊;郭國中

1.一種產品缺陷檢測方法，其特征在于，包括：

產品圖像獲取步驟：通過針對不同產品及同一產品不同的光學面進行相機設置，獲得與基準光學面一致的相機原圖，獲得原圖之后傳送給圖像處理模塊進行圖像處理，最終得到可以進行模型檢測的圖像；

模型檢測步驟：將獲得的可以進行模型檢測的圖像發送給深度模型及灰度檢測模型進行檢測，最終獲取產品每個光學面返回的檢測結果；

物理量過濾步驟：對于返回的檢測結果進閾值或者缺陷長度、缺陷寬度及缺陷亮度物理量進行過濾。

2.根據權利要求1所述的產品缺陷檢測方法，其特征在于，所述產品圖像獲取步驟：

步驟S101：移動相機和工件的位置到指定光學面點位

步驟S102：根據光學面信息設置相機參數和光源后，觸發相機拍照；

步驟S103：收到相機傳回的原圖，將原圖對應的工件信息添加到原圖頭部；

步驟S104：將帶有頭部信息的相機原圖存盤，用于發生問題時追溯原因；

步驟S105：將帶有頭部信息的相機原圖分發到不同光學面圖片預處理模塊并行處理；

步驟S106：圖片預處理模塊根據工件載臺數量、機臺通道數量信息，將相機原圖進行切割、壓縮、旋轉、水平鏡像以及垂直鏡像算法操作，輸出符合模型檢測要求的圖像，包括如下所述情況：

一張相機原圖中包含多個工件，需要將圖像中的工件分別切割出來；

相機原圖尺寸過大，需要將原圖壓縮至更小，以提升模型運算速度；

一個工件需要多張相機原圖合并而成，需要先對相機原圖進行旋轉、鏡像操作后再進行合并。

3.根據權利要求1所述的產品缺陷檢測方法，其特征在于，所述模型檢測步驟包括：

搭建步驟：設計并搭建用于檢測工件缺陷的深度學習模型；

分類步驟：對需學習的學習圖像中的每個像素點進行類別分類，對每個像素點進行類型的置信度判定；

深度學習模型訓練步驟：對完成像素點類別分類和置信度判定的學習圖像進行訓練，得到訓練后的深度學習模型；

缺陷檢測步驟：利用訓練后的深度學習模型對工件進行缺陷檢測。

4.根據權利要求3所述的產品缺陷檢測方法，其特征在于，所述分類步驟：對學習圖像中的每個像素點進行分類類別，以0表示像素點的類別為背景，以1表示像素點的類別為缺陷，根據類別將學習圖像分割為背景區域和缺陷區域；

所述分類步驟包括：

卷積步驟：對輸入層進行特征抽取，過濾部分無用信息并保留特征有效信息；

池化步驟：對輸入層進行降維，降低計算量；

特征融合步驟：對具有相同維度的不同層進行跨層連接；

類別判定步驟：將特征融合步驟得到的特征信息量化為某個類別的置信度；

輸出步驟：輸出多維數組向量作為結果，表征一幅學習圖像中各個像素值的類別及置信度；

多維數組向量包括[m,n,c,s]向量，其中：m表示圖像寬度，n表示圖像高度，c表示類別，s表示置信度。

5.根據權利要求4所述的產品缺陷檢測方法，其特征在于，所述深度學習模型訓練步驟：設置設定的訓練步數，訓練時分單雙交替訓練訓練集中的良品圖像和缺陷圖像，直至損失無明顯減小時停止訓練，輸出此時對應步數的模型作為本次訓練的輸出模型。

6.根據權利要求4所述的產品缺陷檢測方法，其特征在于，還包括灰度模型檢測步驟：通過灰度變換和空間濾波對工件缺陷檢測；

所述灰度模型檢測步驟包括頂部凹陷檢測步驟：

通過形狀模板匹配定位，得到圖像的旋轉平移的矩陣；

通過旋轉平移矩陣得到仿射變換后的頂部區域，

對仿射變換頂部區域進行亞像素閾值分割，將分割得到的邊緣線段加入到計量模型中；

計算出邊上個點到基線的最大和最小距離，最大距離和最小距離之差即凹陷的值。