CN109949305A - 产品表面缺陷检测方法、装置及计算机设备 - Google Patents
产品表面缺陷检测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN109949305A CN109949305A CN201910247386.9A CN201910247386A CN109949305A CN 109949305 A CN109949305 A CN 109949305A CN 201910247386 A CN201910247386 A CN 201910247386A CN 109949305 A CN109949305 A CN 109949305A
- Authority
- CN
- China
- Prior art keywords
- product surface
- detected
- preset threshold
- defects
- default
- 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.)
- Granted
Links
Abstract
本申请提出一种产品表面缺陷检测方法、装置及计算机设备,其中,方法包括:获取检测请求,并对检测请求进行解析获取包含产品表面的待检测图片;将待检测图片按照预设大小进行切割成多张子图片,并将多张子图片输入到预设缺陷检测模型中进行检测;根据多个检测值与预设阈值确定产品表面是否包含缺陷。由此,通过预设缺陷检测模型实时快速检测出产品表面是否包含缺陷,提高了产品表面缺陷检测的效率和精度。
Description
技术领域
本申请涉及自动检测技术领域,尤其涉及一种产品表面缺陷检测方法、装置及计算机 设备。
背景技术
在传统工业制造业生产场景中,质检是生产流程中的关键环节,比如在钢铁生产、汽 车制造、造纸、电池制造、太阳能板制造、印刷线路板、芯片和液晶显示器等领域中,对产品的表面状态进行检测是对产品质量进行控制的一种重要手段,判断产品是否存在瑕疵和缺陷,并根据检测结果对产品做相应的处理。
相关技术中,可以通过人工巡检方式,即依赖于行业专家肉眼观察生产环境中的照片 给出判断;或者是机器辅助的人工质检方式,即由具有一定判断能力的质检系统过滤掉没 有缺陷的照片,由行业专家对疑似存在缺陷的照片进行检测判断,然而,上述方式效率比 较低,且容易出现误判,导致检测结果不准确。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请提出了一种产品表面缺陷检测方法、装置及计算机设备,用于解决现有技术中 产品表面缺陷检测方式效率比较低,且容易出现误判,导致检测结果不准确的技术问题。
本申请第一方面实施例提出了一种产品表面缺陷检测方法,所述方法包括以下步骤:
获取检测请求,并对所述检测请求进行解析获取包含产品表面的待检测图片;
将所述待检测图片按照预设大小进行切割成多张子图片,并将所述多张子图片输入到 预设缺陷检测模型中进行检测;
根据多个检测值与预设阈值确定所述产品表面是否包含缺陷。
作为本申请实施例中第一种可能实现的方式,所述根据多个检测值与预设阈值确定所 述产品表面是否包含缺陷,包括:
将所述多个检测值分别与所述预设阈值进行比较;
若任一检测值大于等于所述预设阈值,则确定所述产品表面包含缺陷。
作为本申请实施例中第二种可能实现的方式,在所述将所述多张子图片输入到预设缺 陷检测模型中进行检测之前,还包括:
获取多个包含产品表面的正样本图像;
将所述多个包含产品表面的正样本图像输入到GANomaly模型中进行训练生成所述预 设缺陷检测模型。
作为本申请实施例中第三种可能实现的方式,在通过预设缺陷检测模型对所述待检测 图片进行检测之前,还包括:
获取包含产品表面的负样本图像;
将所述包含产品表面的负样本图像输入到所述预设缺陷检测模型进行模型测试;其中, 所述模型测试的结果大于等于预设阈值。
作为本申请实施例中第四种可能实现的方式,还包括:
获取预设时间段内的各个检测结果;
判断所述各个检测结果是否准确,并计算所述预设时间段内的准确率;
若所述准确率小于预设标准,则调整所述预设阈值。
本申请实施例的产品表面缺陷检测方法,通过获取检测请求,并对检测请求进行解析 获取包含产品表面的待检测图片;将待检测图片按照预设大小进行切割成多张子图片,并 将多张子图片输入到预设缺陷检测模型中进行检测;根据多个检测值与预设阈值确定产品 表面是否包含缺陷。由此,通过预设缺陷检测模型实时快速检测出产品表面是否包含缺陷, 提高了产品表面缺陷检测的效率和精度。
本申请第二方面实施例提出了一种产品表面缺陷检测装置,包括:
第一获取模块,用于获取检测请求,并对所述检测请求进行解析获取包含产品表面的 待检测图片;
检测模块,用于将所述待检测图片按照预设大小进行切割成多张子图片,并将所述多 张子图片输入到预设缺陷检测模型中进行检测;
确定模块,用于根据多个检测值与预设阈值确定所述产品表面是否包含缺陷。
作为本申请实施例中第一种可能的实现方式,所述确定模块,具体用于:
将所述多个检测值分别与所述预设阈值进行比较;
若任一检测值大于等于所述预设阈值,则确定所述产品表面包含缺陷。
作为本申请实施例中第二种可能的实现方式,还包括:
第二获取模块,用于获取多个包含产品表面的正样本图像;
生成模块,用于将所述多个包含产品表面的正样本图像输入到GANomaly模型中进行 训练生成所述预设缺陷检测模型。
作为本申请实施例中第三种可能的实现方式,还包括:
所述第二获取模块,还用于获取包含产品表面的负样本图像;
测试模块,用于将所述包含产品表面的负样本图像输入到所述预设缺陷检测模型进行 模型测试;其中,所述模型测试的结果大于等于预设阈值。
作为本申请实施例中第四种可能的实现方式,还包括:
第三获取模块,用于获取预设时间段内的各个检测结果;
判断计算模块,用于判断所述各个检测结果是否准确,并计算所述预设时间段内的准 确率;
调整模块,用于若所述准确率小于预设标准,则调整所述预设阈值。
本申请实施例的产品表面缺陷检测装置,通过获取检测请求,并对检测请求进行解析 获取包含产品表面的待检测图片;将待检测图片按照预设大小进行切割成多张子图片,并 将多张子图片输入到预设缺陷检测模型中进行检测;根据多个检测值与预设阈值确定产品 表面是否包含缺陷。由此,通过预设缺陷检测模型实时快速检测出产品表面是否包含缺陷, 提高了产品表面缺陷检测的效率和精度。
本申请第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器 上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例中 所述的产品表面缺陷检测方法。
本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机 程序,该程序被处理器执行时实现如上述实施例中所述的产品表面缺陷检测方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明 显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和 容易理解,其中:
图1为本申请实施例一所提供的产品表面缺陷检测方法流程示意图;
图2为本申请实施例二所提供的产品表面缺陷检测方法流程示意图;
图3为本申请实施例所提供的GANomaly模型结构示意图;
图4为本申请实施例三所提供的产品表面缺陷检测方法流程示意图;
图5为本申请实施例四所提供的产品表面缺陷检测方法流程示意图;
图6为本申请实施例五所提供的产品表面缺陷检测方法流程示意图;
图7为本申请实施例一所提供的产品表面缺陷检测装置结构示意图;
图8为本申请实施例二所提供的产品表面缺陷检测装置结构示意图;
图9为本申请实施例三所提供的产品表面缺陷检测装置结构示意图;
图10示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同 或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描 述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参照附图描述根据本申请实施例提出的产品表面缺陷检测方法、装置及计算机设备。
针对上述背景技术了解到,现有技术中可以通过人工巡检方式或者是机器辅助的人工 质检方式对产品表面是否具有缺陷进行判断,存在人工操作效率比较低以及容易出现误判, 导致检测结果不准确等技术问题,本申请提出一种产品表面缺陷检测方法,通过实时获 取生产线上包含产品表面的待检测图片,并通过预设缺陷检测模型对待检测图片进行 检测能够快速准确地判断产品表面是否包含缺陷。
具体地,图1为本申请实施例一所提供的产品表面缺陷检测方法流程示意图。
如图1所示,该产品表面缺陷检测方法包括以下步骤:
步骤101,获取检测请求,并对检测请求进行解析获取包含产品表面的待检测图片。
在实际应用中,对生产线上的产品表面进行检测,可以通过安装相关图像采集设备对 生产线上的包含产品表面的图像进行实时采集,因此,将采集到的包含产品表面的图像作 为待检测图片。
需要说明的是,为了提高检测的准确性,上述相关图像采集设备可以采用高精度图像 采集摄像头,通过调整角度、光线、滤镜、倍镜、聚焦等,针对同一产品表面采集多张待检测图片,并通过预设筛选标准比如清晰度等对多张待检测图片进行处理筛选出目标待检测图片进行后续检测。
因此,上述将生产线上实时产生的包含产品表面的图像即待检测图片转化为检测请求, 从而在接收到检测请求后,通过预设解析算法等方式对检测请求进行解析,可以得到包含 产品表面的待检测图片。
步骤102,将待检测图片按照预设大小进行切割成多张子图片,并将多张子图片输入到 预设缺陷检测模型中进行检测。
步骤103,根据多个检测值与预设阈值确定产品表面是否包含缺陷。
可以理解的是,在获取到待检测图片后,将待检测图片按照预设大小进行切割成多张 子图片,其中,可以根据实际应用需要对预设大小进行设置,比如针对一张为1200乘以1000的待检测图片,预设大小为120乘以10,因此可以将该待检测图片按照120乘以10 进行切割成10张子图片。
进一步地,将多张子图片输入到预设缺陷检测模型中进行检测,可以理解的是,有多 少张子图片即可以获得多少个检测值,进而根据多个检测值与预设阈值确定产品表面是否 包含缺陷。
其中,预设缺陷检测模型是预先生成的,下面结合图2具体描述如何生成缺陷检测模 型。如图2所示,包括:
步骤201,获取多个包含产品表面的正样本图像。
步骤202,将多个包含产品表面的正样本图像输入到GANomaly模型中进行训练生成 预设缺陷检测模型。
其中,正样本图像表示产品表面是不存在缺陷的。
具体地,如图3所示,GANomaly模型可以由三部分组成:GE(x),GD(z)统称为生成网络,可以看成是第一部分,这一部分由编码器GE(x)和解码器GD(z)构成,对于送入的原始 图像数据x经过编码器GE(x)得到潜在向量z,z经过解码器GD(z)得到原始图像数据x的重 构图像数据GANomaly模型的第二部分是判别器D,对于原始图像数据x判为真,重构 图像数据判为假,不断优化重构图像与原始图像的差距,理想情况下重构图像与原始图像 无异;GANomaly模型的第三部分是对重构图像数据再做编码的编码器得到重构图像 编码的潜在变量
其中,在对GANomaly模型进行训练的阶段,整个GANomaly模型均通过包含产品表面的正样本图像做训练,即编码器GE(x),解码器GD(z)和重构编码器都是适用于正 样本的。
对于训练好的预设缺陷检测模型运行一段时间后,通过生产数据库中的信息复查缺陷 检测准确率,并更新训练数据库,重新训练优化预设缺陷检测模型,以提高缺陷检测的效 率和准确率。
为了检测预设缺陷检测模型的准确性可以通过输入负样本图像进行模型测试,具体地, 如图4所示,在步骤202之后,还包括:
步骤301,获取包含产品表面的负样本图像。
步骤302,将包含产品表面的负样本图像输入到预设缺陷检测模型进行模型测试;其中, 模型测试的结果大于等于预设阈值。
其中,负样本图像表示产品表面是存在缺陷的,将负样本图像输入到训练好的预设缺 陷检测模型中进行测试,测试预设缺陷检测模型是否可以检测出产品表面包含缺陷。
可以理解的是,在通过负样本图像对预设缺陷检测模型进行测试时,模型的编码器GE(x),解码器GD(z)和重构编码器将不适用于负样本图像,在经过编码-解码-编码后得 到的潜在变量的差距,定义这个差距分值为:A(x)=∥GE(x)-E(G(x))∥1,通过设定预设阈值φ, 主要A(x)>φ,认定送入的样本x是异常数据,也就是该样本的产品表面包含缺陷。
在对预设缺陷检测模型进行测试过程中还可以以正负样本图像混合输入,对于测试 样本下的得分S可记为具体的判断异常分数进行一个归一化处理将 其整合到[0,1]之间。
其中,si为异常得分,对于正常样本理论上si=0,对于异常样本理论上si=1,需要一个 预设阈值φ来衡量这个标准,经过数据分析,一般情况下φ=0.2,可以根据实际的项目需要 来调整预设阈值的大小。
可以理解的是,通过GANomaly模型进行训练生成的预设缺陷检测模型,不再是比较 图像的分布,而是在图像编码的潜在空间下进行对比,GANomaly模型对正样本图像和负样本图像进行编码-解码-编码后产生的空间差距是不同的,通过正常样本训练的预设缺陷检 测模型,在对负样本图像进行编码-解码-编码后产生的空间差距大于正样本图像的空间差距; 将样本图像的空间差距和预设阈值进行比较,在大于预设阈值时,对应的样本图像为负样 本图像,则产品表面图像存在缺陷。
其中,通过正常样本对模型进行优化,其中,网络损失分为三部分,第一部分生成网 络下,给定一个重构误差损失,用于在像素层面上减小原始图像和重构图像的差距。
在第二部分判别器下,设置一个特征匹配误差,用于在图像特征层方面做优化。
第三部分重构图像编码得到的潜在变量在理想状态下,对正常样本数据得到的潜在 变量与原始数据直接编码得到的z无差别,即A(x^)=||GE(x^)-E(G(x^))||1=0。但是在非完全 理想的状态下,差距分值越小越好,定义一个潜在变量间的误差优化。
Lenc=Ex~pX∥GE(x)-E(G(x))∥1
在对模型的训练中只有正样本参与,模型只对正样本可以做到较好的编码解码,所以 模型送入负样本后在编解码下会出现编码得到的潜在变量差异大,从而使得差距分值A(x) 大,判断为异常样本,从而检测出该样品图像为负样本。
对于模型,整个损失函数可以表示为:
L=wadvLadv+wconLcon+wencLenc
其中,ωadv,ωcon,ωenc是调节各损失的参数,可以根据具体项目要求设置。
可以理解的是,根据多个检测值与预设阈值确定产品表面是否包含缺陷的方式有很多 种,比如直接将多个检测值与预设阈值进行比较或者是获取多个检测值的平均值,接着获 取各个检测与平均值的差值与预设阈值进行比较等,作为一种可能实现的方式,如图5所 示,包括:
步骤401,将多个检测值分别与预设阈值进行比较。
步骤402,若任一检测值大于等于预设阈值,则确定产品表面包含缺陷。
可以理解的是,任一检测值大于预设阈值,则确定产品表面包含缺陷,若所有的检测 值都不大于预设阈值,则产品不存在缺陷,检测速度快,准确率高,自动检测,节省了人力。其中,预设阈值可以根据实际应用需要进行选择设置。
需要说明的是,在检测完成后可以与业务场景结合设计,能够根据业务需求,做出符 合生产环境场景要求的响应,比如,在检测到某产品表面存在缺陷后,发出报警信号,提示工作人员;还可以将数据进行存储,以便进行后续的分析;还可以控制机械臂运动,将 缺陷产品从生产线上取出等。
此外,还可以将检测结果和响应行为等数据作为线上生产日志存储到生产数据库中, 以便于缺陷检测模型根据存储的数据进行训练优化,进一步提高产品缺陷检测的效率和准 确率,并有利于工业生产线的优化升级。
为了进一步提高检测的效率和准确率,作为一种可能实现的方式,如图6所示,还包 括:
步骤501,获取预设时间段内的各个检测结果。
步骤502,判断各个检测结果是否准确,并计算预设时间段内的准确率。
步骤503,若准确率小于预设标准,则调整预设阈值。
具体地,在检测一段时间后,判断一个时间段内的检测结果的准确率是否达到预先设 置的标准,若小于预设标准,则相应的调整预设阈值,使缺陷检测模型更准确的检测出缺 陷产品,提高缺陷检测的效率。
举例而言,比如计算在一段时间内的准确率为百分之九十二小于预设标准百分之九十 五,则需要调整之前预设阈值,还可以对模型进行更新之类的操作,以提高检测精度。
本申请实施例的产品表面缺陷检测方法,通过获取检测请求,并对检测请求进行解析 获取包含产品表面的待检测图片;将待检测图片按照预设大小进行切割成多张子图片,并 将多张子图片输入到预设缺陷检测模型中进行检测;根据多个检测值与预设阈值确定产品 表面是否包含缺陷。由此,通过预设缺陷检测模型实时快速检测出产品表面是否包含缺陷, 提高了产品表面缺陷检测的效率和精度。
为了实现上述实施例,本申请还提出一种产品表面缺陷检测装置。
图7为本申请实施例一提供的一种产品表面缺陷检测装置结构示意图。
如图7所示,该产品表面缺陷检测装置包括:第一获取模块601、检测模块602和确定 模块603。
第一获取模块601,用于获取检测请求,并对检测请求进行解析获取包含产品表面的待 检测图片。
检测模块602,用于将待检测图片按照预设大小进行切割成多张子图片,并将多张子图 片输入到预设缺陷检测模型中进行检测。
确定模块603,用于根据多个检测值与预设阈值确定产品表面是否包含缺陷。
作为一种可能实现的方式,确定模块603,具体用于:
将多个检测值分别与预设阈值进行比较;
若任一检测值大于等于预设阈值,则确定产品表面包含缺陷。
作为另一种可能实现的方式,如图8所示,在图7的基础上,所述的产品表面缺陷检测装置,还包括:第二获取模块604和生成模块605。
第二获取模块604,用于获取多个包含产品表面的正样本图像。
生成模块605,用于将多个包含产品表面的正样本图像输入到GANomaly模型中进行 训练生成预设缺陷检测模型。
作为又一种可能实现的方式,还包括:
第二获取模块604,还用于获取包含产品表面的负样本图像。
测试模块606,用于将包含产品表面的负样本图像输入到预设缺陷检测模型进行模型测 试;其中,模型测试的结果大于等于预设阈值。
作为再一种可能实现的方式,如图9所示,在图7的基础上,还包括:第三获取模块607、判断计算模块608和调整模块609。
第三获取模块607,用于获取预设时间段内的各个检测结果。
判断计算模块608,用于判断各个检测结果是否准确,并计算预设时间段内的准确率。
调整模块609,用于若准确率小于预设标准,则调整预设阈值。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘 述。
本申请实施例的产品表面缺陷检测装置,通过获取检测请求,并对检测请求进行解析 获取包含产品表面的待检测图片;将待检测图片按照预设大小进行切割成多张子图片,并 将多张子图片输入到预设缺陷检测模型中进行检测;根据多个检测值与预设阈值确定产品 表面是否包含缺陷。由此,通过预设缺陷检测模型实时快速检测出产品表面是否包含缺陷, 提高了产品表面缺陷检测的效率和精度。
为了实现上述实施例,本申请还提出计算机设备,包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例 中所述的产品表面缺陷检测方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有 计算机程序,该程序被处理器执行时实现如上述实施例中所述的产品表面缺陷检测方法。
图10示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图10显示的 计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以 包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件 (包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围 总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例 来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下 简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线, 增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称: VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI) 总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算 机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器 (Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12 可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬 盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”) 读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc ReadOnly Memory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下, 每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少 一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以 执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中, 这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程 序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执 行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等) 通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得 该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调 器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12 还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网) 通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白, 尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于: 微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数 据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数 据处理,例如实现前述实施例中提及的基于语音识别的情节跳转方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具 体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材 料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意 性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特 点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下, 本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特 征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以 明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个, 例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个 或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分, 并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序, 包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的 实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实 现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令 执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行 系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设 备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布 线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只 读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及 便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述 程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行 编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储 在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实 施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或 固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技 术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离 散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可 编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可 以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中, 该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各 个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既 可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以 软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读 取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了 本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制, 本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种产品表面缺陷检测方法,其特征在于,包括以下步骤:
获取检测请求,并对所述检测请求进行解析获取包含产品表面的待检测图片;
将所述待检测图片按照预设大小进行切割成多张子图片,并将所述多张子图片输入到预设缺陷检测模型中进行检测;
根据多个检测值与预设阈值确定所述产品表面是否包含缺陷。
2.如权利要求1所述的方法,其特征在于,所述根据多个检测值与预设阈值确定所述产品表面是否包含缺陷,包括:
将所述多个检测值分别与所述预设阈值进行比较;
若任一检测值大于等于所述预设阈值,则确定所述产品表面包含缺陷。
3.如权利要求1所述的方法,其特征在于,在所述将所述多张子图片输入到预设缺陷检测模型中进行检测之前,还包括:
获取多个包含产品表面的正样本图像;
将所述多个包含产品表面的正样本图像输入到GANomaly模型中进行训练生成所述预设缺陷检测模型。
4.如权利要求3所述的方法,其特征在于,还包括:
获取包含产品表面的负样本图像;
将所述包含产品表面的负样本图像输入到所述预设缺陷检测模型进行模型测试;其中,所述模型测试的结果大于等于预设阈值。
5.如权利要求1所述的方法,其特征在于,还包括:
获取预设时间段内的各个检测结果;
判断所述各个检测结果是否准确,并计算所述预设时间段内的准确率;
若所述准确率小于预设标准,则调整所述预设阈值。
6.一种产品表面缺陷检测装置,其特征在于,包括:
第一获取模块,用于获取检测请求,并对所述检测请求进行解析获取包含产品表面的待检测图片;
检测模块,用于将所述待检测图片按照预设大小进行切割成多张子图片,并将所述多张子图片输入到预设缺陷检测模型中进行检测;
确定模块,用于根据多个检测值与预设阈值确定所述产品表面是否包含缺陷。
7.如权利要求6所述的装置,其特征在于,所述确定模块,具体用于:
将所述多个检测值分别与所述预设阈值进行比较;
若任一检测值大于等于所述预设阈值,则确定所述产品表面包含缺陷。
8.如权利要求6所述的装置,其特征在于,还包括:
第二获取模块,用于获取多个包含产品表面的正样本图像;
生成模块,用于将所述多个包含产品表面的正样本图像输入到GANomaly模型中进行训练生成所述预设缺陷检测模型。
9.如权利要求8所述的装置,其特征在于,还包括:
所述第二获取模块,还用于获取包含产品表面的负样本图像;
测试模块,用于将所述包含产品表面的负样本图像输入到所述预设缺陷检测模型进行模型测试;其中,所述模型测试的结果大于等于预设阈值。
10.如权利要求6所述的装置,其特征在于,还包括:
第三获取模块,用于获取预设时间段内的各个检测结果;
判断计算模块,用于判断所述各个检测结果是否准确,并计算所述预设时间段内的准确率;
调整模块,用于若所述准确率小于预设标准,则调整所述预设阈值。
11.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-5中任一所述的产品表面缺陷检测方法。
12.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的产品表面缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247386.9A CN109949305B (zh) | 2019-03-29 | 2019-03-29 | 产品表面缺陷检测方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247386.9A CN109949305B (zh) | 2019-03-29 | 2019-03-29 | 产品表面缺陷检测方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949305A true CN109949305A (zh) | 2019-06-28 |
CN109949305B CN109949305B (zh) | 2021-09-28 |
Family
ID=67012864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910247386.9A Active CN109949305B (zh) | 2019-03-29 | 2019-03-29 | 产品表面缺陷检测方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949305B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349144A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(广州)科技有限公司 | 一种钢卷端面的缺陷判别方法、系统及电子设备 |
CN111062918A (zh) * | 2019-12-10 | 2020-04-24 | 歌尔股份有限公司 | 一种基于计算机视觉的异常检测方法及装置 |
CN111161246A (zh) * | 2019-12-30 | 2020-05-15 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111383220A (zh) * | 2020-03-10 | 2020-07-07 | 创新奇智(重庆)科技有限公司 | 设备的故障预测方法及装置、电子设备、存储介质 |
CN111696095A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 用于检测物体表面缺陷的方法及装置 |
CN112184665A (zh) * | 2020-09-27 | 2021-01-05 | 苏州嘉展科技有限公司 | 一种应用于纸塑行业的人工智能缺陷侦测系统 |
CN112581420A (zh) * | 2019-09-30 | 2021-03-30 | 深圳中科飞测科技股份有限公司 | 一种检测方法、装置及设备 |
CN112651941A (zh) * | 2020-12-25 | 2021-04-13 | 北京巅峰科技有限公司 | 车辆缺陷识别方法、装置、电子装置和存储介质 |
CN112767400A (zh) * | 2021-04-08 | 2021-05-07 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
CN112967245A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(青岛)科技有限公司 | 电池检测方法、装置、电子设备及可读存储介质 |
CN113096130A (zh) * | 2021-06-09 | 2021-07-09 | 常州微亿智造科技有限公司 | 物件缺陷的检测方法、装置 |
CN113325004A (zh) * | 2021-07-07 | 2021-08-31 | 上海超硅半导体股份有限公司 | 一种半导体晶片表面缺陷检测方法以及检测装置 |
CN113378703A (zh) * | 2021-06-09 | 2021-09-10 | 成都恒创新星科技有限公司 | 一种检测垃圾桶状态的方法及系统 |
US11189019B2 (en) * | 2019-05-09 | 2021-11-30 | Hon Hai Precision Industry Co., Ltd. | Method for detecting defects, electronic device, and computer readable medium |
CN115205257A (zh) * | 2022-07-14 | 2022-10-18 | 武昌首义学院 | 一种基于正样本学习的人造板表面缺陷检测方法及系统 |
CN117162665A (zh) * | 2023-11-03 | 2023-12-05 | 星璟材料科技(南通)有限公司 | 一种印刷品印刷生产控制系统 |
WO2024021461A1 (zh) * | 2022-07-28 | 2024-02-01 | 上海闻泰信息技术有限公司 | 缺陷检测方法及装置、设备、存储介质 |
CN111161246B (zh) * | 2019-12-30 | 2024-05-14 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458748A (zh) * | 2013-09-25 | 2015-03-25 | 中国科学院沈阳自动化研究所 | 基于机器视觉的铝型材表面缺陷检测方法 |
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
CN105466947A (zh) * | 2014-09-29 | 2016-04-06 | 斯克林集团公司 | 工序监视装置及工序监视方法 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
CN108898066A (zh) * | 2018-06-06 | 2018-11-27 | 天津大学 | 一种基于生成式对抗网络的人体运动检测方法 |
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN109241830A (zh) * | 2018-07-26 | 2019-01-18 | 合肥工业大学 | 基于光照生成对抗网络的课堂听课异常检测方法 |
CN109242841A (zh) * | 2018-08-30 | 2019-01-18 | 广东工业大学 | 一种基于生成对抗网络的输电杆塔缺陷检测方法 |
CN109410179A (zh) * | 2018-09-28 | 2019-03-01 | 合肥工业大学 | 一种基于生成对抗网络的图像异常检测方法 |
CN109461458A (zh) * | 2018-10-26 | 2019-03-12 | 合肥工业大学 | 一种基于生成对抗网络的音频异常检测方法 |
-
2019
- 2019-03-29 CN CN201910247386.9A patent/CN109949305B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458748A (zh) * | 2013-09-25 | 2015-03-25 | 中国科学院沈阳自动化研究所 | 基于机器视觉的铝型材表面缺陷检测方法 |
CN105466947A (zh) * | 2014-09-29 | 2016-04-06 | 斯克林集团公司 | 工序监视装置及工序监视方法 |
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
CN108898066A (zh) * | 2018-06-06 | 2018-11-27 | 天津大学 | 一种基于生成式对抗网络的人体运动检测方法 |
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN109241830A (zh) * | 2018-07-26 | 2019-01-18 | 合肥工业大学 | 基于光照生成对抗网络的课堂听课异常检测方法 |
CN109242841A (zh) * | 2018-08-30 | 2019-01-18 | 广东工业大学 | 一种基于生成对抗网络的输电杆塔缺陷检测方法 |
CN109410179A (zh) * | 2018-09-28 | 2019-03-01 | 合肥工业大学 | 一种基于生成对抗网络的图像异常检测方法 |
CN109461458A (zh) * | 2018-10-26 | 2019-03-12 | 合肥工业大学 | 一种基于生成对抗网络的音频异常检测方法 |
Non-Patent Citations (1)
Title |
---|
SAMET AKCAY等: "GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training", 《ARXIV:1805.06725》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11189019B2 (en) * | 2019-05-09 | 2021-11-30 | Hon Hai Precision Industry Co., Ltd. | Method for detecting defects, electronic device, and computer readable medium |
CN110349144A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(广州)科技有限公司 | 一种钢卷端面的缺陷判别方法、系统及电子设备 |
CN112581420A (zh) * | 2019-09-30 | 2021-03-30 | 深圳中科飞测科技股份有限公司 | 一种检测方法、装置及设备 |
CN111062918A (zh) * | 2019-12-10 | 2020-04-24 | 歌尔股份有限公司 | 一种基于计算机视觉的异常检测方法及装置 |
CN111062918B (zh) * | 2019-12-10 | 2023-11-21 | 歌尔股份有限公司 | 一种基于计算机视觉的异常检测方法及装置 |
CN111161246A (zh) * | 2019-12-30 | 2020-05-15 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111161246B (zh) * | 2019-12-30 | 2024-05-14 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
US11741593B2 (en) | 2019-12-30 | 2023-08-29 | Goertek Inc. | Product defect detection method, device and system |
CN111383220A (zh) * | 2020-03-10 | 2020-07-07 | 创新奇智(重庆)科技有限公司 | 设备的故障预测方法及装置、电子设备、存储介质 |
CN111696095B (zh) * | 2020-06-12 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于检测物体表面缺陷的方法及装置 |
CN111696095A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 用于检测物体表面缺陷的方法及装置 |
CN112184665A (zh) * | 2020-09-27 | 2021-01-05 | 苏州嘉展科技有限公司 | 一种应用于纸塑行业的人工智能缺陷侦测系统 |
CN112651941A (zh) * | 2020-12-25 | 2021-04-13 | 北京巅峰科技有限公司 | 车辆缺陷识别方法、装置、电子装置和存储介质 |
CN112967245B (zh) * | 2021-03-01 | 2022-11-08 | 创新奇智(青岛)科技有限公司 | 电池检测方法、装置、电子设备及可读存储介质 |
CN112967245A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(青岛)科技有限公司 | 电池检测方法、装置、电子设备及可读存储介质 |
CN112767400A (zh) * | 2021-04-08 | 2021-05-07 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
CN113096130A (zh) * | 2021-06-09 | 2021-07-09 | 常州微亿智造科技有限公司 | 物件缺陷的检测方法、装置 |
CN113096130B (zh) * | 2021-06-09 | 2021-09-14 | 常州微亿智造科技有限公司 | 物件缺陷的检测方法、装置 |
CN113378703A (zh) * | 2021-06-09 | 2021-09-10 | 成都恒创新星科技有限公司 | 一种检测垃圾桶状态的方法及系统 |
WO2023280153A1 (zh) * | 2021-07-07 | 2023-01-12 | 上海超硅半导体股份有限公司 | 半导体晶片表面缺陷检测方法以及装置 |
CN113325004A (zh) * | 2021-07-07 | 2021-08-31 | 上海超硅半导体股份有限公司 | 一种半导体晶片表面缺陷检测方法以及检测装置 |
CN115205257A (zh) * | 2022-07-14 | 2022-10-18 | 武昌首义学院 | 一种基于正样本学习的人造板表面缺陷检测方法及系统 |
WO2024021461A1 (zh) * | 2022-07-28 | 2024-02-01 | 上海闻泰信息技术有限公司 | 缺陷检测方法及装置、设备、存储介质 |
CN117162665A (zh) * | 2023-11-03 | 2023-12-05 | 星璟材料科技(南通)有限公司 | 一种印刷品印刷生产控制系统 |
CN117162665B (zh) * | 2023-11-03 | 2023-12-26 | 星璟材料科技(南通)有限公司 | 一种印刷品印刷生产控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109949305B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949305A (zh) | 产品表面缺陷检测方法、装置及计算机设备 | |
CN109961433A (zh) | 产品缺陷检测方法、装置及计算机设备 | |
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
CN102901444B (zh) | 一种基于mp小波滤波的零件尺寸检测方法及其检测系统 | |
CN110276287A (zh) | 车位检测方法、装置、计算机设备以及存储介质 | |
US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
US20080310275A1 (en) | Method for displaying result of measurement of eccentricity | |
CN109886964A (zh) | 电路板缺陷检测方法、装置及设备 | |
CN111428373A (zh) | 产品装配质量检测方法、装置、设备及存储介质 | |
CN109978867A (zh) | 玩具外表质量检测方法及其相关设备 | |
CN111428374A (zh) | 零件缺陷检测方法、装置、设备及存储介质 | |
CN108874665A (zh) | 一种测试结果校验方法、装置、设备和介质 | |
CN103837758B (zh) | 影像讯号的多重检测系统及其多重检测方法 | |
CN113762182A (zh) | 基于深度网络自适应的铣削刀具磨损状态预测方法及装置 | |
CN115587670A (zh) | 一种基于指标图谱的产品质量诊断方法及装置 | |
Chen et al. | Fast PCB defect detection method based on FasterNet backbone network and CBAM attention mechanism integrated with feature fusion module in improved YOLOv7 | |
CN116311462A (zh) | 一种结合上下文信息和vgg19的人脸图像修复识别方法 | |
Harding | Engineering precision | |
CN109978868A (zh) | 玩具外表质量检测方法及其相关设备 | |
CN117058106A (zh) | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 | |
CN108427778A (zh) | 电子装备的可测试性分析方法及装置 | |
CN1821715A (zh) | 一种新型头发在线测量综合装置 | |
Lu et al. | Deep learning classification and recognition method for milling surface roughness combined with simulation data | |
CN116067671A (zh) | 一种用于测试车辆漆面质量的方法、系统及介质 | |
CN109781004A (zh) | 一种基于机器视觉和虚拟仪器的外螺纹多参数评定方法 |
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 |