[發明專利]AOI缺陷檢測方法、裝置和設備及計算機介質

在審

• 申請號: 202210438414.7
• 申請日: 2022-04-25
• 公開（公告）號: CN114897801A
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 徐康;陳洪
• 申請（專利權）人: 武漢精立電子技術有限公司;武漢精測電子集團股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06V10/764
• 代理公司: 武漢東喻專利代理事務所(普通合伙) 42224
• 代理人: 張英

本申請公開了一種AOI缺陷檢測方法，包括：獲取待檢測圖像并進行ROI區域粗定位；基于語義分割模型對粗定位的ROI區域進行分割得到高精度區域；基于所述高精度區域分別進行檢測模型預測和語義分割模型預測，分別得到缺陷區域的外接矩形區域和輪廓區域；將所述檢測模型預測和所述語義分割模型預測的結果進行融合后輸出；利用分類模型對輸出的融合結果進行篩選得到目標缺陷檢測結果。其可以解決現有技術中采用單一的深度學習算法模型難以達到較高的缺陷檢出準確率及較低的缺陷誤檢率的問題。

技術領域

本申請涉及自動光學檢測技術領域，更具體地，涉及一種AOI缺陷檢測方法、一種AOI缺陷檢測裝置和一種AOI缺陷檢測設備以及一種計算機可讀存儲介質。

背景技術

工業AOI領域內的缺陷大多數都是小目標(目標缺陷在圖像中占比非常小)，而且背景通常較為復雜。傳統的CV算法魯棒性較低，也難以處理背景較復雜的AOI檢測場景；在背景十分復雜的工業AOI場景下，單一的深度學習算法模型存在較高的缺陷誤檢率，也難以達到較高的缺陷檢出準確率，通常很難滿足缺陷檢測現場的高要求。

發明內容

針對現有技術的至少一個缺陷或改進需求，本發明提供了一種AOI缺陷檢測方法、裝置、設備及計算機可讀存儲介質，旨在解決現有技術中采用單一的深度學習算法模型難以達到較高的缺陷檢出準確率及較低的缺陷誤檢率的問題。

為實現上述目的，按照本發明的第一個方面，提供了一種AOI缺陷檢測方法，包括：獲取待檢測圖像并進行ROI區域粗定位；基于語義分割模型對粗定位的ROI區域進行分割得到高精度區域；基于所述高精度區域分別進行檢測模型預測和語義分割模型預測，分別得到缺陷區域的外接矩形區域和輪廓區域；將所述檢測模型預測和所述語義分割模型預測的結果進行融合后輸出；利用分類模型對輸出的融合結果進行篩選得到目標缺陷檢測結果。

在本發明的一個實施例中，所述基于語義分割模型對粗定位的ROI區域進行分割得到高精度區域，包括：利用深度學習語義分割模型對所述粗定位的ROI區域的四個角塊區域進行分割得到四個角點，根據所述四個角點進行ROI區域透視變換得到所述高精度區域。

在本發明的一個實施例中，在所述基于所述高精度區域分別進行檢測模型預測和語義分割模型預測之后，還包括：對所述檢測模型結果和所述分割模型結果進行判斷，當所述檢測模型結果為空，所述分割模型結果為空，則輸出為空；當所述檢測模型結果為空，所述分割模型結果不為空，則輸出所述分割模型結果；當所述檢測模型結果不為空，所述分割模型結果為空，則輸出所述檢測模型結果；當所述檢測模型結果不為空，所述分割模型結果不為空，則對于同一缺陷類別重合的區域，輸出所述分割模型結果并將所述檢測模型的置信度賦值給該缺陷，其余不重合區域的所述分割模型結果和所述檢測模型結果均作為輸出。

在本發明的一個實施例中，所述利用分類模型對融合結果進行篩選得到目標缺陷檢測結果，包括：用分類模型對所有的所述檢測模型結果和所述分割模型結果進行二分類判斷，屬于缺陷的判定為NG，屬于誤檢的判定為OK，將判定為NG的所有結果作為本步驟的輸出。

在本發明的一個實施例中，在所述利用分類模型對融合結果進行篩選之后，還包括：設置預設參數閾值對所述二分類判斷得到的缺陷結果進行篩選，得到滿足規格的缺陷檢測結果；其中，所述預設參數指標包括：寬度、高度、面積、對比度中的一者或多者。

按照本發明的第二個方面，還提供了一種AOI缺陷檢測裝置，其包括：粗定位模塊，用于獲取待檢測圖像并進行ROI區域粗定位；高精度區域分割模塊，用于基于語義分割模型對粗定位的ROI區域進行分割得到高精度區域；模型預測模塊，用于基于所述高精度區域分別進行檢測模型預測和語義分割模型預測，分別得到缺陷區域的外接矩形區域和輪廓區域；結果融合模塊，用于將所述檢測模型預測和所述語義分割模型預測的結果進行融合后輸出；檢測結果得到模塊，用于利用分類模型對輸出的融合結果進行篩選得到目標缺陷檢測結果。