[發(fā)明專利]工業(yè)產(chǎn)品外觀缺陷檢測方法和裝置

有效

• 申請?zhí)枺?/td>: 202111336284.8
• 申請日: 2021-11-12
• 公開（公告）號: CN113781483B
• 公開（公告）日: 2022-02-11
• 發(fā)明（設(shè)計）人: 郭駿;潘少云;侯大為;倪文淵
• 申請（專利權(quán)）人: 常州微億智造科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/762;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 常州佰業(yè)騰飛專利代理事務(wù)所(普通合伙) 32231
• 代理人: 陳紅橋

本發(fā)明涉及工業(yè)質(zhì)檢技術(shù)領(lǐng)域，為解決工業(yè)產(chǎn)品外觀缺陷檢測效果差的技術(shù)問題，提供了一種工業(yè)產(chǎn)品外觀缺陷檢測方法和裝置，所述方法包括：對多個缺陷樣本進行缺陷類別的標注，得到具有N個標注類別的第一樣本集；將第一樣本集輸入特征提取網(wǎng)絡(luò)，得到每個缺陷樣本對應的特征向量，構(gòu)成聚類數(shù)據(jù)集；對聚類數(shù)據(jù)集進行密度最大值聚類，以將多個缺陷樣本歸為K個聚類類別，得到具有K個聚類類別的第二樣本集；通過第二樣本集對檢測網(wǎng)絡(luò)進行訓練，得到缺陷檢測模型；將待檢測工業(yè)產(chǎn)品圖像輸入缺陷檢測模型，得到輸出結(jié)果；將輸出結(jié)果為多類輸出的缺陷的子圖像進行細粒度分類，得到輸出結(jié)果為多類輸出的缺陷屬于相應的標注類別的輸出結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及工業(yè)質(zhì)檢技術(shù)領(lǐng)域，具體涉及一種工業(yè)產(chǎn)品外觀缺陷檢測方法、一種工業(yè)產(chǎn)品外觀缺陷檢測裝置、一種計算機設(shè)備和一種非臨時性計算機可讀存儲介質(zhì)。

背景技術(shù)

在工業(yè)智能質(zhì)檢領(lǐng)域，深度學習得到了廣泛的應用，受到的關(guān)注程度很高。特別是工業(yè)外觀缺陷之類的檢測任務(wù)，由于缺陷的種類繁多，形態(tài)非常多樣，采用深度學習往往能取得更好的效果。

一般的基于深度學習算法的外觀缺陷檢測過程主要有以下幾個步驟：第一步，根據(jù)規(guī)定好的缺陷類別，對于收集的數(shù)據(jù)進行人工標注；第二步，選擇一種目標檢測或?qū)嵗指罹W(wǎng)絡(luò)，進行一系列參數(shù)的設(shè)置，其中必須要設(shè)置的是讓網(wǎng)絡(luò)頭部輸出與規(guī)定的缺陷類別一致；第三步，訓練網(wǎng)絡(luò)，直到網(wǎng)絡(luò)收斂到穩(wěn)定狀態(tài)，并且選擇一個在驗證集上表現(xiàn)良好的模型；第四步，部署模型，進行實際場景的推理。

在實際的檢測項目中，要處理的缺陷種類很多。一方面，不同類別的缺陷卻非常相似，也就是類間差異很小，比如：小碰傷和黑點，黑線和刮傷等等；另一方面，同一類別缺陷之間的差異很大，比如劃傷，有尺寸很小的和很大的，有特別明顯的和不怎么明顯的，還有有感的和無感的等等。按照上述的一般檢測方式，在事先規(guī)定的類別上進行分類，網(wǎng)絡(luò)就面臨要解決類間差異小、類內(nèi)差異大的問題，訓練難度較大，訓練得到的模型在實際檢測時的表現(xiàn)往往不夠好，誤檢率高。

發(fā)明內(nèi)容

本發(fā)明為解決上述技術(shù)問題，提供了一種工業(yè)產(chǎn)品外觀缺陷檢測方法和裝置，能夠大大降低工業(yè)產(chǎn)品外觀缺陷的誤檢率。

本發(fā)明采用的技術(shù)方案如下：

一種工業(yè)產(chǎn)品外觀缺陷檢測方法，包括以下步驟：對多個缺陷樣本進行缺陷類別的標注，得到具有N個標注類別的第一樣本集，其中，N為正整數(shù)；將所述第一樣本集輸入特征提取網(wǎng)絡(luò)，得到每個所述缺陷樣本對應的特征向量，構(gòu)成聚類數(shù)據(jù)集，其中，所述特征提取網(wǎng)絡(luò)包括全局平均池化層；對所述聚類數(shù)據(jù)集進行密度最大值聚類，以將所述多個缺陷樣本歸為K個聚類類別，得到具有K個聚類類別的第二樣本集，其中，K為正整數(shù)；通過所述第二樣本集對檢測網(wǎng)絡(luò)進行訓練，得到缺陷檢測模型；將待檢測工業(yè)產(chǎn)品圖像輸入所述缺陷檢測模型，得到所述待檢測工業(yè)產(chǎn)品圖像中的每個缺陷屬于相應的聚類類別的輸出結(jié)果；將所述第二樣本集與所述第一樣本集進行比較；如果所述第二樣本集中的一個聚類類別的所有缺陷樣本具有同一個標注類別，則將屬于該聚類類別的輸出結(jié)果判定為單類輸出，并得到輸出結(jié)果為單類輸出的缺陷屬于相應的標注類別的輸出結(jié)果；如果所述第二樣本集中的一個聚類類別的所有缺陷樣本具有M個不同的標注類別，則將屬于該聚類類別的輸出結(jié)果判定為多類輸出，并以所述第二樣本集中的該聚類類別的所有缺陷樣本構(gòu)成具有M個標注類別的第三樣本集，其中，M為大于1的正整數(shù)，且M小于等于N；通過所述第三樣本集對細粒度分類網(wǎng)絡(luò)進行訓練，得到細粒度分類模型；將輸出結(jié)果為多類輸出的缺陷的子圖像輸入所述細粒度分類模型，得到輸出結(jié)果為多類輸出的缺陷屬于相應的標注類別的輸出結(jié)果。

所述特征提取網(wǎng)絡(luò)包括主干網(wǎng)絡(luò)和設(shè)置于所述主干網(wǎng)絡(luò)之后的所述全局平均池化層。

所述主干網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)。

如果輸出結(jié)果為多類輸出的缺陷為多個，且其中至少兩個屬于不同的聚類類別，則將屬于不同的聚類類別的缺陷的子圖像輸入相應的細粒度分類模型并行執(zhí)行。