[發(fā)明專利]零件缺陷的檢測方法、裝置、終端設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202111090323.0
• 申請日: 2021-09-17
• 公開（公告）號: CN113538436A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)計）人: 于洋;熊海飛;黃雪峰;李飛;陳彪
• 申請（專利權(quán)）人: 深圳市信潤富聯(lián)數(shù)字科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市世紀恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 薛福玲

本發(fā)明公開了零件缺陷的檢測方法、裝置、終端設(shè)備及存儲介質(zhì)，通過終端獲取待檢測零件的圖片數(shù)據(jù)；調(diào)用預(yù)設(shè)零件缺陷檢測模型針對所述圖片數(shù)據(jù)型進行背景分割檢測和缺陷分割檢測；將進行所述背景分割檢測得到的第一檢測結(jié)果，與進行所述缺陷分割檢測得到的第二檢測結(jié)果進行比對分析，得到實際檢測結(jié)果。如此，本發(fā)明提供的零件缺陷的檢測方法能夠通過結(jié)合缺陷分割檢測結(jié)果與背景分割檢測結(jié)果進行分析比對，增強了預(yù)設(shè)零件缺陷檢測模型對零件結(jié)構(gòu)和缺陷的辨別能力，降低了零件缺陷檢測過程中漏檢和誤檢的情況發(fā)生的概率，提高了零件缺陷檢測結(jié)果的準確性。

技術(shù)領(lǐng)域

本發(fā)明涉及工業(yè)制造技術(shù)領(lǐng)域，尤其涉及一種零件缺陷的檢測方法、裝置、終端設(shè)備及存儲介質(zhì)。

背景技術(shù)

隨著信息與智能化社會的到來，以及深度學(xué)習(xí)技術(shù)的出現(xiàn)，工業(yè)產(chǎn)品生產(chǎn)逐漸進入智能化階段；而且，基于深度學(xué)習(xí)的人工智能還具備高精度、高效率以及升級維護簡單等特點，使之在工業(yè)元器件外觀缺陷檢測這一領(lǐng)域具有廣泛的應(yīng)用前景。

然而，目前基于深度學(xué)習(xí)模型對零件進行缺陷檢測時，經(jīng)常會導(dǎo)致零件缺陷檢測過程中漏檢和誤檢的情況發(fā)生。其中，導(dǎo)致發(fā)生缺陷檢測的漏檢和誤檢的原因，主要是在針對待檢測零件的圖片中，背景區(qū)域的噪聲和零件缺陷存在相似性，以及零件區(qū)域中零件的某些結(jié)構(gòu)與缺陷存在相似性所導(dǎo)致，而上述兩種相似性均是目前基于深度學(xué)習(xí)的零件缺陷檢測模型進一步實現(xiàn)性能提升的瓶頸。

可見，如何降低零件缺陷檢測過程中漏檢和誤檢的情況發(fā)生的概率，從而改善零件缺陷檢測結(jié)果的準確性，是目前工業(yè)制造技術(shù)領(lǐng)域亟需解決的難題。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種零件缺陷的檢測方法、裝置、終端設(shè)備及存儲介質(zhì)，旨在降低零件缺陷檢測過程中漏檢和誤檢的情況發(fā)生的概率，從而改善零件缺陷檢測結(jié)果的準確性。

為實現(xiàn)上述目的，本發(fā)明提供一種零件缺陷的檢測方法，所述零件缺陷的檢測方法包括以下步驟：

獲取待檢測零件的圖片數(shù)據(jù)；

調(diào)用預(yù)設(shè)零件缺陷檢測模型針對所述圖片數(shù)據(jù)型進行背景分割檢測和缺陷分割檢測；

將進行所述背景分割檢測得到的第一檢測結(jié)果，與進行所述缺陷分割檢測得到的第二檢測結(jié)果進行比對分析，得到實際檢測結(jié)果。

進一步地，所述零件缺陷的檢測方法還包括：

采集零件樣本的待訓(xùn)練圖片數(shù)據(jù)，將所述待訓(xùn)練圖片數(shù)據(jù)和所述零件樣本對應(yīng)的標簽值作為模型輸入，并根據(jù)所述模型輸入訓(xùn)練得到預(yù)設(shè)零件缺陷檢測模型。

進一步地，所述根據(jù)所述模型輸入訓(xùn)練得到預(yù)設(shè)零件缺陷檢測模型的步驟，包括：

提取所述待訓(xùn)練圖片數(shù)據(jù)的特征，以根據(jù)所述特征進行模型訓(xùn)練；

基于預(yù)設(shè)分割檢測函數(shù)針對所述特征進行檢測得到損失分數(shù)；

若所述損失分數(shù)收斂，則結(jié)束模型訓(xùn)練的過程得到所述預(yù)設(shè)零件缺陷檢測模型。

進一步地，所述預(yù)設(shè)分割檢測函數(shù)包括背景分割函數(shù)與缺陷分割函數(shù)，所述基于預(yù)設(shè)分割檢測函數(shù)針對所述特征進行檢測得到損失分數(shù)的步驟，包括：

針對所述背景分割函數(shù)與所述缺陷分割函數(shù)進行動態(tài)加權(quán)求和生成總損失函數(shù)，并基于所述總損失函數(shù)得到損失分數(shù)，其中，所述損失分數(shù)用于評價所述預(yù)設(shè)零件缺陷檢測模型針對所述零件樣本進行檢測得到檢測結(jié)果的準確性。

進一步地，在所述基于預(yù)設(shè)分割檢測函數(shù)針對所述特征進行檢測得到損失分數(shù)的步驟之后，還包括：

若所述損失分數(shù)不收斂，則針對未完成訓(xùn)練過程的預(yù)設(shè)零件缺陷檢測模型進行梯度反向傳播。

進一步地，所述提取所述待訓(xùn)練圖片數(shù)據(jù)的特征的步驟，包括：

針對所述待訓(xùn)練圖片數(shù)據(jù)進行卷積處理得到第一特征圖；

針對所述第一特征圖進行上采樣處理得到第二特征圖；