[發明專利]工業產品缺陷檢測方法和裝置

有效

• 申請號: 202111336283.3
• 申請日: 2021-11-12
• 公開（公告）號: CN113780484B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 杭天欣;馬元巍;潘正頤;侯大為;倪文淵
• 申請（專利權）人: 常州微億智造科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/46;G06V10/74;G06V10/774
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 陳紅橋

本發明涉及工業質檢技術領域，為解決如何實現高精度缺陷檢測的技術問題，提出了一種工業產品缺陷檢測方法和裝置，所述方法包括：將缺陷集中的每個缺陷圖像分別輸入訓練后的目標檢測模型，得到第一缺陷檢出框；以是否真的包含普通缺陷的判斷結果對相應的第一缺陷檢出框的缺陷物理量數據進行標注，訓練過檢分析模型；抽取良品集中的一部分良品圖像進行隨機摳圖操作，訓練殘缺圖恢復模型；通過訓練后的目標檢測模型得到待檢測工業產品圖像的第二缺陷檢出框；將待檢測工業產品圖像的第二缺陷檢出框輸入過檢分析模型，得到是否真的包含普通缺陷的過檢分析結果；通過訓練后的殘缺圖恢復模型得到待檢測工業產品圖像是否存在特殊缺陷的漏檢分析結果。

技術領域

本發明涉及工業質檢技術領域，具體涉及一種工業產品缺陷檢測方法、一種工業產品缺陷檢測裝置、一種計算機設備和一種非臨時性計算機可讀存儲介質。

背景技術

在工業質檢中，對3C產品（計算機類、通信類和消費類電子產品三者的統稱）的高精度缺陷檢測一直是熱門。隨著人工智能和深度學習的發展，對3C產品高精度缺陷檢測的技術方案已經逐步從傳統的機器視覺轉向深度視覺算法。

人工智能時代下，對于工業產品的缺陷檢測通常利用攝像頭拍取產品圖像，并且用深度學習中的目標檢測模型對圖像進行檢測。3C產品存在很多常見的細小缺陷，即普通缺陷，例如電腦蓋板的劃痕、電路元件的缺失或破損、焊點的缺失等，在對3C產品的高精度缺陷檢測中，由于很多缺陷和非缺陷區域形態相似，僅用單一的目標檢測模型，會出現將非缺陷判定為缺陷的過檢，和將缺陷判定為非缺陷的漏檢。并且，對于一些特殊缺陷，例如嚴重的物料形變、大規模面積的缺料等大面積缺陷，由于樣本數量極少，且缺陷區域并沒有包含上述的普通缺陷，僅用單一的目標檢測模型很難學習和成功檢測到，這無疑也會出現漏檢。因此，相關技術中的缺陷檢測方案很難同時具備較低的缺陷過檢率和較低的缺陷漏檢率。

發明內容

本發明為解決上述技術問題，提供了一種工業產品缺陷檢測方法和裝置，能夠大大降低工業產品缺陷的過檢率和漏檢率，實現工業產品的高精度缺陷檢測。

本發明采用的技術方案如下：

一種工業產品缺陷檢測方法，包括以下步驟：S1，獲取缺陷集，其中，所述缺陷集包括多個缺陷圖像，每個所述缺陷圖像均包含普通缺陷；S2，抽取所述缺陷集中的一部分缺陷圖像進行缺陷標注，以構成第一訓練集，并通過所述第一訓練集訓練目標檢測模型；S3，將所述缺陷集中的每個缺陷圖像分別輸入訓練后的目標檢測模型，得到每個缺陷圖像的第一缺陷檢出框；S4，對每個所述第一缺陷檢出框進行物理量分析以得到缺陷物理量數據，并判斷每個所述第一缺陷檢出框內是否真的包含普通缺陷，以及以是否真的包含普通缺陷的判斷結果對相應的第一缺陷檢出框的缺陷物理量數據進行標注，以得到第二訓練集，并通過所述第二訓練集訓練過檢分析模型；S5，獲取良品集，其中，所述良品集包括多個良品圖像；S6，抽取所述良品集中的一部分良品圖像進行隨機摳圖操作，生成模擬特殊缺陷的殘缺圖像，并以該部分良品圖像及其對應的殘缺圖像構成第三訓練集，以及通過所述第三訓練集訓練殘缺圖恢復模型；S7，將所述良品集中的每個良品圖像分別輸入訓練后的殘缺圖恢復模型中的特征提取網絡，得到每個良品圖像對應的特征向量，構成良品向量庫；S8，獲取待檢測工業產品圖像；S9，將所述待檢測工業產品圖像輸入訓練后的目標檢測模型，得到所述待檢測工業產品圖像的第二缺陷檢出框；S10，將所述待檢測工業產品圖像的第二缺陷檢出框輸入所述過檢分析模型，得到所述待檢測工業產品圖像的第二缺陷檢出框內是否真的包含普通缺陷的過檢分析結果；S11，將所述待檢測工業產品圖像輸入訓練后的殘缺圖恢復模型中的特征提取網絡，得到所述待檢測工業產品圖像的特征向量；S12，從所述良品向量庫中隨機抽取預設數量的特征向量；S13，計算所述待檢測工業產品圖像的特征向量與從所述良品向量庫中抽取的特征向量的相似度數據；S14，根據所述相似度數據得到所述待檢測工業產品圖像是否存在特殊缺陷的漏檢分析結果；S15，以所述過檢分析結果和所述漏檢分析結果作為所述待檢測工業產品圖像的缺陷檢測結果。