[發明專利]反光表面的缺陷檢測方法及裝置

在審

• 申請號: 202110741557.0
• 申請日: 2021-06-30
• 公開（公告）號: CN113570549A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 周正
• 申請（專利權）人: 青島海爾科技有限公司;海爾智家股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 董文倩

本發明公開了一種反光表面的缺陷檢測方法及裝置。其中，該方法包括：獲取待檢測的反光表面的目標圖像；將目標圖像輸入生成對抗網絡的生成器，生成目標圖像的虛擬圖像；確定目標圖像和虛擬圖像的像素點的特征值的差異值；在差異值超過預設閾值的情況下，確定目標圖像在像素點存在缺陷。本發明解決了相關技術中由于反光表面反光嚴重，嚴重影響表面缺陷的檢測，導致檢測準確率較低的技術問題。

技術領域

本發明涉及缺陷檢測領域，具體而言，涉及一種反光表面的缺陷檢測方法及裝置。

背景技術

由于部分冰箱工廠的生產線功能固化，導致生產的成品冰箱在組裝完后就被包上了包裝膜，由于包裝膜的反光性和冰箱缺陷樣本的不足為使用計算機視覺來對冰箱表面做缺陷檢測創造了巨大的難題。

隨著全球市場對于生產制造行業的產品質量要求的提高，人工檢測存在諸多主觀性，依靠人眼進行缺陷檢測的方法已經不能滿足檢測需求，成為制造企業的一大難題。

在真實復雜的工業環境下，缺陷檢測面臨諸多挑戰，缺陷問題具有隨機性和復雜性，對此，經典方法往往顯得束手無策，難以取得較好的檢測效果，傳統機器視覺的研究技術已陷入停滯。

目前常規的表面缺陷檢測方法主要分為雙級(two stage)和單級(one stage)也就是端到端，two stage算法的主要代表模型有R-CNN(Region Convolutional NeuralNetwork)、Faster R-CNN等，one stage算法主要代表模型為yolo、yolov2、yolov3等。這些算法都需要使用大量的缺陷樣本數據來進行模型的訓練，同時也需要耗費大量的人力來進行樣本的標注，并且在處理光照不均勻的物體表面的檢測時，往往會產生較大的偏差。

現在在工業缺陷檢測領域針對金屬表面檢測使用得最多的是Faster R-CNN模型或者全卷積網絡(Fully Convolutional Networks,FCN)，這幾種常用的算法模型都需要大量的訓練樣本，尤其是帶有劃痕的缺陷樣本，在冰箱生產的過程中，缺陷樣本的生成數量是十分有限的，完全不能滿足模型的訓練，導致模型在訓練過程中難以收斂，即使可以收斂，訓練的模型對缺陷的檢測準確率也偏低，無法進行實際的應用。

針對上述的問題，目前尚未提出有效的解決方案。

發明內容

本發明實施例提供了一種反光表面的缺陷檢測方法及裝置，以至少解決相關技術中由于反光表面反光嚴重，嚴重影響表面缺陷的檢測，導致檢測準確率較低的技術問題。

根據本發明實施例的一個方面，提供了一種反光表面的缺陷檢測方法，包括：獲取待檢測的反光表面的目標圖像；將所述目標圖像輸入生成對抗網絡的生成器，生成所述目標圖像的虛擬圖像；確定所述目標圖像和所述虛擬圖像的像素點的特征值的差異值；在所述差異值超過預設閾值的情況下，確定所述目標圖像在所述像素點存在缺陷。

可選的，在將所述目標圖像輸入生成對抗網絡的生成器，生成所述目標圖像的虛擬圖像之前，所述方法還包括：確定無缺陷的反光表面為正樣本；對所述正樣本進行缺陷處理，得到負樣本；將所述正樣本輸入所述生成對抗網絡的判別器，將所述負樣本輸入所述生成對抗網絡的生成器，以對所述生成對抗網絡進行訓練。

可選的，將所述正樣本輸入所述生成對抗網絡的判別器，將所述負樣本輸入所述生成對抗網絡的生成器之后，所述方法還包括：確定虛擬負樣本和所述正樣本的比較數值，其中，所述虛擬負樣本為所述負樣本輸入所述生成器得到的虛擬負樣本；在所述比較數值小于預設比較數值的情況下，確定所述生成對抗網絡訓練完成。

可選的，確定所述目標圖像和所述虛擬圖像的像素點的特征值的差異值包括：通過局部二值模式算法LBP，確定所述目標圖像的像素點的第一特征值，以及所述虛擬圖像的像素點的第二特征值；對所述第一特征值和所述第二特征值求差取絕對值，得到所述目標圖像和所述虛擬圖像的像素點的特征值的差異值。