CN109102486B - 基于机器学习的表面缺陷检测方法及装置 - Google Patents

基于机器学习的表面缺陷检测方法及装置 Download PDF

Info

Publication number
CN109102486B
CN109102486B CN201710476100.5A CN201710476100A CN109102486B CN 109102486 B CN109102486 B CN 109102486B CN 201710476100 A CN201710476100 A CN 201710476100A CN 109102486 B CN109102486 B CN 109102486B
Authority
CN
China
Prior art keywords
detection
defect
euclidean distance
target
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710476100.5A
Other languages
English (en)
Other versions
CN109102486A (zh
Inventor
朱家兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Sineva Intelligent Machine Co Ltd
Original Assignee
Hefei Sineva Intelligent Machine Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Sineva Intelligent Machine Co Ltd filed Critical Hefei Sineva Intelligent Machine Co Ltd
Priority to CN201710476100.5A priority Critical patent/CN109102486B/zh
Publication of CN109102486A publication Critical patent/CN109102486A/zh
Application granted granted Critical
Publication of CN109102486B publication Critical patent/CN109102486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于机器学习的表面缺陷检测方法及装置，用以解决现有技术中仅仅依靠设备的标准来对产品表面缺陷进行检测的方式而导致检测结果不够准确的技术问题。所述方法包括：采集N个检测人员对应的检测样本；对所述检测样本进行机器学习，确定检测模型；对目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷。

Description

基于机器学习的表面缺陷检测方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种表面缺陷检测方法及装置。
背景技术
随着计算机技术，人工智能等科学技术发展，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，大大提高了生产作业的效率，避免了因作业条件，主观判断等影响检测结果的准确性，实现能更好更精确地进行表面缺陷检测，更加快速的识别产品表面瑕疵缺陷。
产品表面缺陷检测属于机器视觉技术的一种，就是利用计算机视觉模拟人类视觉的功能，对具体的实物进行图像采集、计算，最终进行实际检测、控制和应用。产品的表面缺陷检测是机器视觉检测的一个重要部分，其检测的准确程度直接会影响产品最终的质量优劣。
现有的大多数表面缺陷检测系统中，都比较侧重于对于图像处理方面的技术研发，从设备方面考虑居多。针对产品给出检测的可作为判断的数字量，以blob分析为例，大多数以缺陷区域面积大小和区域长度作为判断标准。这种方式对于有严格检测标准，并表面一致性比较好的产品来说可以很好设定标准。但对于没有严格检测标准，或表面一致性不太好的产品而言，需要依靠检测人员来判断产品是否存在缺陷。所以，现有技术中仅仅依靠设备的标准来对产品表面缺陷进行检测的方式存在检测结果不够准确的技术问题。
发明内容
本申请实施例提供一种表面缺陷检测方法及装置，用以解决现有技术中仅仅依靠设备的标准来对产品表面缺陷进行检测的方式存在检测结果不够准确的技术问题。
本申请实施例提供的具体技术方案如下：
第一方面，本发明实施例提供了一种表面缺陷检测方法，包括：
采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数；
对所述检测样本进行机器学习，确定检测模型；
对目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；
将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷。
可能的实施方式中，对所述检测样本进行机器学习，确定检测模型，包括：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
可能的实施方式中，将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，包括：
基于所述检测模型，计算所述缺陷参数与所述第一期望值的第一欧式距离d1以及所述缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果。
可能的实施方式中，基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果，包括：
如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
可能的实施方式中，所述缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所述缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
第二方面，本发明实施例提供了一种表面缺陷检测装置，包括：
样本采集模块，用于采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数；
机器学习模块，用于对所述检测样本进行机器学习，确定检测模型；
图像分析模块，用于对目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；
检测结果模块，用于将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷。
可能的实施方式中，所述机器学习模块还用于：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
可能的实施方式中，所述检测结果模块还用于：
基于所述检测模型，计算所述缺陷参数与所述第一期望值的第一欧式距离d1以及所述缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果。
可能的实施方式中，所述检测结果模块还用于：
如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
可能的实施方式中，所述缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所述缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
可能的实施方式中，所述分析模块还用于：
第三方面，本发明实施例提供了一种表面缺陷检测装置，包括处理器、存储器和收发机，其中，收发机在处理器的控制下接收和发送数据，存储器中保存有预设的程序，处理器读取存储器中的程序，按照该程序执行以下过程：
处理器采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数；对所述检测样本进行机器学习，确定检测模型；目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷。
可能的实施方式中，所述处理器还用于：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
可能的实施方式中，所述处理器还用于：
基于所述检测模型，计算所述缺陷参数与所述第一期望值的第一欧式距离d1以及所述缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果。
可能的实施方式中，所述处理器还用于：
如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
可能的实施方式中，所述缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所述缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
基于上述技术方案，本发明实施例中，首先基于检测人员的检测样本建立检测模型，进而，在需要对目标检测对象进行表面缺陷检测时，通过图像分析方式对目标检测对象对应的图像进行处理，获得对应的缺陷参数，进行将缺陷参数输入至检测模型，获得检测结果。本实施例中的表面缺陷检测方法，在确定产品表面是否存在缺陷时，充分考虑质检人员的评价标准，基于机器学习的方式建立动态评价系统，使得检测结果更加准确，有效解决了现有技术中存在检测结果不够准确的技术问题。
附图说明
图1为本申请实施例一中表面缺陷检测方法的流程图；
图2为本申请实施例二中表面缺陷检测装置的结构示意图；
图3为本申请实施例三中表面缺陷检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例中的表面缺陷检测方法，首先基于检测人员的检测样本建立检测模型，进而，在需要对目标检测对象进行表面缺陷检测时，通过图像分析方式对目标检测对象对应的图像进行处理，获得对应的缺陷参数，进行将缺陷参数输入至检测模型，获得检测结果。本实施例中的表面缺陷检测方法，在确定产品表面是否存在缺陷时，充分考虑质检人员的评价标准，基于机器学习的方式建立动态评价系统，使得检测结果更加准确，有效解决了现有技术中存在检测结果不够准确的技术问题。
实施例一
在本实施例中的表面缺陷检测方法包括如图1所示的步骤：
步骤101：采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数。
具体的，在本实施例中，可以采集N个质检的检测人员对应的检测样本，N的值可以根据实际需要进行配置，N个检测人员也可以预先进行指定，比如：N为3，并且多个质检人员中指定A、B、C三个检测人员对应的历史检测结果为检测样本，在具体实施过程中，N个检测人员可以是随机选取的，也可以是指定的，N的值可根据实际需要进行设定，在此本申请不作限定。
检测样本中包括N个检测人员检测过的P个历史检测对象对应的检测结果，P个历史检测对象均为确定不存在表面缺陷的对象。该P个检测结果中每个结果包括与之对应的检测对象的缺陷参数。在具体实施过程中，P值可根据实际情况进行设定，在此，本申请不作限制。P个历史检测对象可以是距离当前时刻最接近的N个检测人员所检测的不存在表面缺陷的对象，还可以是指定的不存在表面缺陷的P个历史检测对象，还可以是随机的不存在表面缺陷的P个历史检测对象。在具体实施过程中，P个历史检测对象的确定方式可根据实际需要进行设定，在此，本申请不做限制。
同理，检测样本中还包括N个检测人员检测过的Q个历史检测对象对应的检测结果，Q个历史检测对象均为确定存在表面缺陷的对象。该Q个检测结果中每个结果包括与之对应的检测对象的缺陷参数。在具体实施过程中，Q值与P值的差值小于预设阈值，比如：Q值与P值的差值小于5。Q值可根据实际情况进行设定，比如，Q可以等于P，也可以不等于P，在此，本申请不作限制。
Q个历史检测对象可以是距离当前时刻最接近的N个检测人员所检测的存在表面缺陷的对象，还可以是指定的存在表面缺陷的Q个历史检测对象，还可以是随机的存在表面缺陷的Q个历史检测对象。在具体实施过程中，Q个历史检测对象的确定方式可根据实际需要进行设定，在此，本申请不做限制。
在具体实施过程中，还可以动态更新(如按预设时间间隔更新)N个检测人员，或者更新N个检测人员检测过的P个历史检测对象和Q个历史检测对象，进而更新检测样本，使得建立的检测模型输出的检测结果更准确。
在采集检测样本后，本实施例中的方法就执行步骤102：对所述检测样本进行机器学习，确定检测模型；
步骤102可通过如下步骤实现：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
具体的，在本实施例中，可计算获得检测样本中的P个缺陷参数的第一期望值，同时，还可获得检测样本中的Q个缺陷参数的第二期望值。进而，在确定检测模型时，检测模型中规定，需要计算检测模型的输入参数与第一期望值的第一欧式距离以及检测模型的输入参数与第二期望值的第二欧式距离，第一欧式距离代表输入参数对应的检查对象与不存在缺陷的P个历史检测对象的相似性，第二欧式距离代表输入参数对应的检查对象与存在缺陷的Q个历史检测对象的相似性，进而，可基于第一欧式距离与第二欧式距离来去确定检测结果。
进一步，在确定了检测模型后，本实施例中的方法就执行步骤103：对目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；其中，所述缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所述缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
具体的，在本实施例中，在确定目标检测对象时，需要采集目标检测对象表面的图像，进而对该图像进行图像分析，获取与检测样本中的缺陷参数类型一致的缺陷参数。缺陷参数可包括缺陷区域的面积和/或缺陷区域的长度，在检测样本中对应的缺陷参数为缺陷区域的面积时，图像分析得到的目标检测对象的缺陷参数也为缺陷区域的面积。在检测样本中对应的缺陷参数为缺陷区域的长度时，图像分析得到的目标检测对象的缺陷参数也为缺陷区域的长度。
图像分析可以采用Blob分析，对图像中相同像素的连通域进行分析。在计算机视觉中的Blob是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域。通过Blob分析将图像进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到Blob块。该Blob块即对应缺陷区域的面积或缺陷区域的长度。
当然，获得目标检测对象的缺陷参数还可以采用其他图像分析方式，在此，本申请不做限制。在本实施例中，步骤103可以在步骤102之后执行，也可以在步骤101之前执行，具体执行的先后顺序，本申请不作限制。
进而，在确定检测模型和目标检测对象的缺陷参数后，本实施例中方法执行步骤104：将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷。
步骤104在具体实施过程中可包括如下步骤：
基于所述检测模型，计算所述缺陷参数与所述第一期望值的第一欧式距离d1以及所述缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果；
其中，如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
具体的，在本实施例中，通过步骤102确定检测模型后，通过步骤103获得目标检测对象的缺陷参数，进而，将目标检测对象的缺陷参数输入检测模型。进一步，通过检测模型获得目标检测对象的缺陷参数与第一期望值的第一欧式距离d1以及目标检测对象的缺陷参数与第二期望值的第二欧式距离d2。
通过比较d1和d2的大小，确定检测结果。检测模型中包括表明目标检测对象的表面不存在缺陷的检测结果、表明目标检测对象的表面存在缺陷的检测结果、表明需要人工复查目标检测对象的检测结果这三种检测结果中的任一一种或多种组合。当确定d1大于d2，检测模型确定并输出表明目标检测对象的表面不存在缺陷的检测结果。当确定d1小于d2，检测模型确定并输出表明目标检测对象的表面存在缺陷的检测结果。当确定d1等于d2，检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
在输出表明目标检测对象的表面存在缺陷的检测结果或需要人工复查所述目标检测对象的检测结果时，可以产生提示信息，用于提示检测人员进行人工复查该目标检测对象。提示方式可根据实际需要进行设定，比如：语音提示、点亮提示灯提示、显示提示信息等方式，在此，本实施例不作限定。在进行提示时，还可以输出目标检测对象具体的缺陷参数，以便检测人员及时获知哪些缺陷参数不符合标准。
为了更好地理解本实施例中的表面缺陷检测方法，下面给出一个完整的实施例对表面缺陷检测方法进行详细解释。在本实施例中，采集指定或随机选取的A、B、C这3个检测人员对应的检测样本，检测样本中包括A、B、C这3个检测人员检测过的5个不存在表面缺陷的历史检测对象对应的缺陷区域的面积以及缺陷区域的长度以及A、B、C这3个检测人员检测过的5个存在表面缺陷的历史检测对象对应的缺陷区域的面积以及缺陷区域的长度。
其中，表一为检测人员A、B、C检测的5个不存在表面缺陷的历史检测对象对应的缺陷区域的面积的数据，表二为检测人员A、B、C检测的5个不存在表面缺陷的历史检测对象对应的缺陷区域的长度。表三为检测人员A、B、C检测的5个存在表面缺陷的历史检测对象对应的缺陷区域的面积，表四为检测人员A、B、C检测的5个存在表面缺陷的历史检测对象对应的缺陷区域的长度。
表一
检测人员A 检测人员B 检测人员C
面积1 177 45 78
面积2 87 34 34
面积3 44 37 167
面积4 43 29 89
面积5 24 45 67
表二
Figure BDA0001328289890000101
Figure BDA0001328289890000111
表三
检测人员A 检测人员B 检测人员C
面积1 445 567 44
面积2 344 534 544
面积3 503 346 788
面积4 400 445 55
面积5 668 456 78
表四
检测人员A 检测人员B 检测人员C
长度1 177 29 43
长度2 123 27 55
长度3 56 36 34
长度4 78 44 55
长度5 43 56 66
进而，利用本实施例中的方法，求得表一中的不存在表面缺陷的5个历史检测对象对应的缺陷区域的面积的期望值
Figure BDA0001328289890000112
求得表二中的不存在表面缺陷的5个历史检测对象对应的缺陷区域的长度的期望值
Figure BDA0001328289890000113
求得表三中的存在表面缺陷的5个历史检测对象对应的缺陷区域的面积的期望值
Figure BDA0001328289890000114
求得表四中的存在表面缺陷的5个历史检测对象对应的缺陷区域的长度的期望值
Figure BDA0001328289890000115
建立检测模型，确定检测模型的输入参数为被检测的对象对应的表面缺陷区域的面积x以及长度y，x和y输入模型后，求得x和y与
Figure BDA0001328289890000116
和
Figure BDA0001328289890000117
的欧式距离
Figure BDA0001328289890000118
求得x和y与
Figure BDA0001328289890000119
和
Figure BDA00013282898900001110
的欧式距离
Figure BDA0001328289890000121
通过比较d1和d2的大小，确定模型输出的检测结果。检测模型中设置以下三种中任意一种或多种检测结果：
第一种：如果d1>d2，对应的检测结果为检测对象的表面不存在缺陷的检测结果；
第二种：如果d1<d2，对应的检测结果为检测对象的表面存在缺陷的检测结果；
第三种：如果d1＝d2，对应的检测结果为需要人工复查检测对象的检测结果。
具体的，在需要确定目标检测对象是否存在表面缺陷时，首先使用halcon算法库进行图像处理，通过blob算法提取到目标检测对象表面缺陷区域的面积x是180，缺陷区域的长度y是52，将x，y的值输入检测模型，通过检测模型计算获得
Figure BDA0001328289890000122
同时，通过检测模型计算获得
Figure BDA0001328289890000123
进而确定d1<d2，检测模型输出目标检测对象存在表面缺陷的检测结果。
本实施例中的表面缺陷检测方法，在确定产品表面是否存在缺陷时，充分考虑质检人员的评价标准，基于机器学习的方式建立动态评价系统，使得检测结果更加准确，有效解决了现有技术中存在检测结果不够准确的技术问题。
实施例二
请参考图2，基于与实施例一中表面缺陷检测方法同一发明构思，本实施例中提供了一种表面缺陷检测装置，包括：
样本采集模块201，用于采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数；
机器学习模块202，用于对所述检测样本进行机器学习，确定检测模型；
图像分析模块203，用于对目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；
检测结果模块204，用于将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷。
可能的实施方式中，所述机器学习模块202还用于：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
可能的实施方式中，所述检测结果模块204还用于：
基于所述检测模型，计算所述缺陷参数与所述第一期望值的第一欧式距离d1以及所述缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果。
可能的实施方式中，所述检测结果模块204还用于：
如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
可能的实施方式中，所述缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所述缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
实施例三
基于同一发明构思，本实施例提供了一种装置，该装置的具体实施可参见第一实施例部分的描述，重复之处不再赘述，如图3所示，该装置主要包括处理器301、存储器302和收发机303，其中，收发机303在处理器301的控制下接收和发送数据，存储器302中保存有预设的程序，处理器301读取存储器302中的程序，按照该程序执行以下过程：
处理器301采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数；对所述检测样本进行机器学习，确定检测模型；目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；将所述缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷。
其中，在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器301代表的一个或多个处理器301和存储器302代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机303可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他设备通信的单元。处理器301负责管理总线架构和通常的处理，存储器302可以存储处理器301在执行操作时所使用的数据。
可能的实施方式中，所述处理器301还用于：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
可能的实施方式中，所述处理器301还用于：
基于所述检测模型，计算所述缺陷参数与所述第一期望值的第一欧式距离d1以及所述缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果。
可能的实施方式中，所述处理器301还用于：
如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
可能的实施方式中，所述缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所述缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
基于上述技术方案，本发明实施例中，首先基于检测人员的检测样本建立检测模型，进而，在需要对目标检测对象进行表面缺陷检测时，通过图像分析方式对目标检测对象对应的图像进行处理，获得对应的缺陷参数，进行将缺陷参数输入至检测模型，获得检测结果。本实施例中的表面缺陷检测方法，在确定产品表面是否存在缺陷时，充分考虑质检人员的评价标准，基于机器学习的方式建立动态评价系统，使得检测结果更加准确，有效解决了现有技术中存在检测结果不够准确的技术问题。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。

Claims (9)

1.一种表面缺陷检测方法，其特征在于，包括：
采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数；
对所述检测样本进行机器学习，确定检测模型；
对目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；
将所述目标检测对象对应的缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷；
其中，对所述检测样本进行机器学习，确定检测模型，包括：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
2.如权利要求1所述的方法，其特征在于，将所述目标检测对象对应的缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，包括：
基于所述检测模型，计算所述目标检测对象对应的缺陷参数与所述第一期望值的第一欧式距离d1以及所述目标检测对象对应的缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果。
3.如权利要求2所述的方法，其特征在于，基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果，包括：
如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
4.如权利要求1-3中任一权利要求所述的方法，其特征在于，所述目标检测对象对应的缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所目标检测对象对应的述缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
5.一种表面缺陷检测装置，其特征在于，包括：
样本采集模块，用于采集N个检测人员对应的检测样本，所述检测样本中包括对应检测人员确定P个历史检测对象不存在表面缺陷时与所述P个历史检测对象一一对应的P个缺陷参数，以及对应的检测人员确定Q个历史检测对象存在表面缺陷时与所述Q个历史检测对象一一对应的Q个缺陷参数；
机器学习模块，用于对所述检测样本进行机器学习，确定检测模型；
图像分析模块，用于对目标检测对象的表面图像进行图像分析，获得所述目标检测对象对应的缺陷参数；
检测结果模块，用于将所述目标检测对象对应的缺陷参数输入所述检测模型，通过所述检测模型输出检测结果，所述检测结果用于表明所述目标检测对象的表面是否存在缺陷；
其中，所述机器学习模块还用于：
获得所述P个缺陷参数对应的第一期望值以及所述Q个缺陷参数对应的第二期望值；
基于所述第一期望值以及所述第二期望值，确定所述检测模型。
6.如权利要求5所述的装置，其特征在于，所述检测结果模块还用于：
基于所述检测模型，计算所述目标检测对象对应的缺陷参数与所述第一期望值的第一欧式距离d1以及所述目标检测对象对应的缺陷参数与所述第二期望值的第二欧式距离d2；
基于所述第一欧式距离d1与所述第二欧式距离d2，所述检测模型确定并输出所述检测结果。
7.如权利要求6所述的装置，其特征在于，所述检测结果模块还用于：
如果所述第一欧式距离d1大于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面不存在缺陷的检测结果；和/或
如果所述第一欧式距离d1小于所述第二欧式距离d2，所述检测模型确定并输出表明所述目标检测对象的表面存在缺陷的检测结果；和/或
如果所述第一欧式距离d1等于所述第二欧式距离d2，所述检测模型确定并输出表明需要人工复查所述目标检测对象的检测结果。
8.如权利要求5-7中任一权利要求所述的装置，其特征在于，所述目标检测对象对应的缺陷参数包括缺陷区域的面积和/或缺陷区域的长度，所述目标检测对象对应的缺陷参数与所述P个缺陷参数以及所述Q个缺陷参数的类型一致。
9.一种表面缺陷检测装置，其特征在于，包括处理器、存储器和收发机，其中，收发机在处理器的控制下接收和发送数据，存储器中保存有预设的程序，所述处理器读取存储器中的程序时实现如权利要求1-4中任意一项权利要求所述方法的步骤。
CN201710476100.5A 2017-06-21 2017-06-21 基于机器学习的表面缺陷检测方法及装置 Active CN109102486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710476100.5A CN109102486B (zh) 2017-06-21 2017-06-21 基于机器学习的表面缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710476100.5A CN109102486B (zh) 2017-06-21 2017-06-21 基于机器学习的表面缺陷检测方法及装置

Publications (2)

Publication Number Publication Date
CN109102486A CN109102486A (zh) 2018-12-28
CN109102486B true CN109102486B (zh) 2020-07-14

Family

ID=64796283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710476100.5A Active CN109102486B (zh) 2017-06-21 2017-06-21 基于机器学习的表面缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN109102486B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709104A (zh) * 2019-01-30 2019-05-03 上海工程技术大学 一种可检测产品表面缺陷的手持设备
CN111798419A (zh) * 2020-06-27 2020-10-20 上海工程技术大学 一种金属喷漆表面缺陷检测方法
CN112258510B (zh) * 2020-12-22 2021-04-06 常州微亿智造科技有限公司 一种基于连通区域算法的图像异常检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003344300A (ja) * 2002-05-21 2003-12-03 Jfe Steel Kk 表面欠陥判別方法
CN101063660B (zh) * 2007-01-30 2011-07-13 蹇木伟 一种纺织品缺陷检测方法及其装置
JP2013072788A (ja) * 2011-09-28 2013-04-22 Hitachi High-Technologies Corp 基板表面欠陥検査方法および検査装置
CN104992449B (zh) * 2015-08-06 2018-06-19 艾科芯（深圳）智能科技有限公司 基于机器视觉的信息识别及表面缺陷在线检测方法
CN106839986B (zh) * 2017-03-24 2023-07-21 中国计量大学 一种基于机器视觉和机器学习的双工位载带检测系统

Also Published As

Publication number Publication date
CN109102486A (zh) 2018-12-28

Similar Documents

Publication Publication Date Title
JP7138753B2 (ja) 画像欠陥検出方法、装置、電子機器、記憶媒体および製品
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
CN111401419A (zh) 基于改进RetinaNet的员工着装规范检测方法
CN107742093A (zh) 一种红外图像电力设备部件实时检测方法、服务器及系统
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
JP2019050376A5 (zh)
JP7034840B2 (ja) 外観検査装置および方法
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN109102486B (zh) 基于机器学习的表面缺陷检测方法及装置
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN113888531B (zh) 混凝土表面缺陷检测方法、装置、电子设备及存储介质
CN111310835A (zh) 目标对象的检测方法及装置
TW202219494A (zh) 缺陷檢測方法及檢測裝置
CN115937101A (zh) 质量检测方法、装置、设备及存储介质
CN108550142A (zh) 一种牙孔检测方法及装置
CN117372424B (zh) 一种缺陷检测方法、装置、设备及存储介质
CN110017998A (zh) 车辆检测方法、装置和设备
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN112200766A (zh) 基于区域关联神经网络的工业产品表面缺陷检测方法
CN116071335A (zh) 墙面验收方法、装置、设备及存储介质
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
CN110634124A (zh) 一种区域检测的方法及设备
CN115761257A (zh) 基于计算机视觉技术的零部件角度检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 230013 Southwest District of Hefei City, Anhui Province

Patentee after: Hefei xinyihua Intelligent Machine Co.,Ltd.

Address before: 230013 Southwest District of Hefei City, Anhui Province

Patentee before: HEFEI SINEVA INTELLIGENT MACHINE Co.,Ltd.