CN113034432A - 一种产品缺陷检测方法、系统、装置及存储介质 - Google Patents
一种产品缺陷检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113034432A CN113034432A CN202110021280.4A CN202110021280A CN113034432A CN 113034432 A CN113034432 A CN 113034432A CN 202110021280 A CN202110021280 A CN 202110021280A CN 113034432 A CN113034432 A CN 113034432A
- Authority
- CN
- China
- Prior art keywords
- difference
- product
- image
- model
- model training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims description 46
- 238000003062 neural network model Methods 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000005476 soldering Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种产品缺陷检测方法，该检测方法采用卷积神经网络进行模型训练时，只采集合格产品的图片作为训练样本，然后通过模型训练图和输出的模型特征图进行做差处理得到差异图，在对差异图进行处理得到差异块的差异阈值，最后通过判断检测产品差异图中的差异值与差异阈值的大小比例确定该产品是否合格。由于在生产线上合格产品的图往往占据绝大部分比例，因此搜集足够模型训练用的合格图需要的时间比搜集足够模型训练用的不合格图的时间至少减少80%。可以大大缩短图片收集所需要的时间，以快速将生产线能够快速投入生产。本专利还公开了实现上述方法的系统、装置及存储介质。
Description
技术领域
本发明涉及图像检测技术领域，特别涉及一种用于通过图像检测技术领域检测产品产品表面缺陷的方法、系统、装置及存储介质。
背景技术
随着工业技术的快速发展，生产效率越来越高，很多产品都实现了自动化生产，在自动化生产过程中，不可避免的仍会产生缺陷产品，为此如何能够快速的产品进行检测在自动化生产过程中也起着非常重要的作用。以电子产品生产为例，产品在生产过程中元件焊接时可能会出现虚焊、漏焊的情况，目前检测主要采用AOI自动光学检测技术，通过光学原理来对焊接生产中遇到的常见缺陷进行检测。随着深度学习的不断发展，为以计算机视觉技术为基础的产品缺陷检测技术得到了非常广泛的应用。
如发明专利（专利号：202010552242.7）公开了一种基于可变形卷积的产品表面缺陷检测模型：包括模块一、多个模块二和模块三，表面缺陷图像数据通过模块一处理后作为模块二的输入，经过模块二处理后再通过模块三输出检测结果；所述模块一包括正常卷积层和batch-normalization层，对表面缺陷图像数据进行处理，利用正常卷积层对产品表面缺陷图像数据的特征进行初步提取，再利用batch-normalization层对特征数据进行归一化处理，防止网络过拟合；所述模块二包括正常卷积层、可变形卷积层和batch-normalization层，模块二中首先利用正常卷积层对模块二的输入数据的特征进行提取，再利用可变形卷积层对数据中的多角度缺陷特征进行提取，最后利用batch-normalization层对特征数据进行归一化，防止网络过拟合；所述模块三包括两层全连接层，首先使用第一个全连接层对模块三的输入数据进行处理，随后将第二个全连接层作为输出层对数据进行处理，最后输出层所有节点的输出结果为检测结果，最后输出层的激活函数采用sigmoid激活函数，输出结果采用one-hot编码方式，每种缺陷的检测结果对应一个输出节点，输出节点数等于缺陷种类数。
这种检测模型在进行训练时需要使用大量的缺陷产品作为训练样本，然而在实际生产过程中，由于技术的不断提高，缺陷样品的数量很少，因此这需要较长的时间对缺陷样本进行收集，而且还会影响训练模型的准确度，为此有必要对现有的检测方法做进一步的改进。
发明内容
为克服上述现有技术中的不足，本发明的目的在于设计一种产品缺陷检测方法，其包括如下步骤：
1）图像采集及预处理：采集多个合格产品的图像作为模型训练样本图，将采集的模型训练样本图进行图像归一化处理，形成模型训练图；
2）构建神经网络模型，并通过模型训练图对神经网络模型完成模型训练；
3）将步骤1）中的模型训练图输入神经网络模型，得到神经网络模型输出的模型特征图；
4）将步骤1）中采集的所有模型训练图和与其对应的模型特征图进行做差处理得到差异图；
5）对差异图采用池化函数进行下采样，将差异图分为多个差异块，将多个差异图中位置对应的差异块的差异值一一对应进行比较，以每个位置差异块最大的差异值作为该位置差异块的判断阈值；
6）采集需要检测产品的图像并进行预处理，得到标准检测图；
7）将标准检测图输入到神经网络模型，神经网络模型输出检测产品特征图；
8）将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，并采用池化函数进行下采样，将检测产品差异图分为多个差异块，并计算每个差异块的差异值；
9）将检测产品差异图的差异块的差异值与步骤6）中差异图中各位置差异块的判断阈值一一对应进行比较，如检测产品差异块的差异值大于各差异块的判断阈值的比例大于规定比例阈值，则检测产品判断为不合格产品，如小于规定比例阈值，则检测产品判断为合格产品。
优选的，步骤1）中图像归一化处理包括缩放处理、平移处理、裁切处理。
优选的，所述多个合格产品的图像为多个在同一拍摄角度，同一拍摄参数，同一环境光照情况照出来的同一类型但不同个体的图像。
优选的，步骤1）中，对合格产品的图像进行图像归一化处理时，选择图像上的待检测区域进行裁切处理，并将裁切的图作为模型训练图。
优选的，步骤1）中进行图像归一化处理时对图片进行随机抖动处理。
优选的，步骤6）、9）中差异块的平均值作为差异值。
优选的，步骤2）中，训练模型练是用输入的模型训练图与模型网络结果做平方差损失，使训练模型拟合无缺陷数据信息。
本专利还公开了一种产品缺陷检测系统，其包括：图像采集及预处理模块，所述图像采集及预处理模块用于采集多个合格产品的图像作为模型训练样本图，将采集的模型训练样本图进行图像归一化处理，形成模型训练图；神经网络模型，所述神经网络模型通过模型训练图进行训练后用于对输入的图片进行处理输出模型特征图；模型差异图处理模块，所述模型差异图处理模块用于将采集的所有模型训练图和与其对应的模型特征图进行做差处理得到差异图；差异图判断阈值计算模块，所述差异图判断阈值模块用于对差异图采用池化函数进行下采样，将差异图分为多个差异块，将多个差异图中位置对应的差异块的差异值一一对应进行比较，以每个位置差异块最大的差异值作为该位置差异块的判断阈值；检测图采集模块，所述检测图采集模块用于采集需要检测产品的图像并进行预处理，得到标准检测图；检测产品特征图输出模块，所述检测产品特征图输出模块用于将标准检测图输入到神经网络模型，神经网络模型输出检测产品特征图；检测产品差异值计算模块，所述检测产品差异值计算模块用于将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，并采用池化函数进行下采样，将检测产品差异图分为多个差异块，并计算每个差异块的差异值；判断模块，所述判断模块用于将检测产品差异图的差异块的差异值与各位置差异块的判断阈值一一对应进行比较，如检测产品差异块的差异值大于各差异块的判断阈值的比例大于规定比例阈值，则检测产品判断为不合格产品，如小于规定比例阈值，则检测产品判断为合格产品。
本专利还公开了一种产品缺陷检测装置，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
本专利还公开了一种计算机存储介质，用于存储有计算机程序所述计算机程序被处理器执行时实现权利要求所述的方法的步骤。
上述技术方案具有如下有益效果：该产品缺陷检测方法采用卷积神经网络进行模型训练时，只采集合格产品的图片作为训练样本，然后通过模型训练图和输出的模型特征图进行做差处理得到差异图，在对差异图进行处理得到差异块的差异阈值，最后通过判断检测产品差异图中的差异值与差异阈值的大小比例确定该产品是否合格。由于在生产线上合格产品的图往往占据绝大部分比例，因此搜集足够模型训练用的合格图需要的时间比搜集足够模型训练用的不合格图的时间至少减少80%。可以大大缩短图片收集所需要的时间，以快速将生产线能够快速投入生产。
附图说明
图1为本专利产品缺陷检测方法的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
如图1所示，本专利公开了一种产品缺陷检测方法，其包括如下步骤：
S1：图像采集及预处理，采集多个合格产品的图像作为模型训练样本图，将采集的模型训练样本图进行图像归一化处理，形成模型训练图。归一化处理的目的是为了使图像变为固定的标准格式，图像归一化处理包括缩放处理、平移处理、裁切处理，对于尺寸较大的产品，可以进行裁切处理，选择图像上的待检测区域进行裁切处理，并将裁切的图作为模型训练图。
训练样本图应为多个在同一拍摄角度，同一拍摄参数，同一环境光照情况照出来的同一类型但不同个体的图像，这样可起到更好的模型训练效果。在图像处理过程中，因为图像拍摄时有时会出现抖动、光照差异等状况，因此数据在数据处理时可相应的进行数据处理，如区域裁切时候增加随机抖动应对拍摄位置角度偏差，通过调节图片明暗程度调节应对拍摄光照差异。
S2：构建神经网络模型，并通过模型训练图对神经网络模型完成模型训练。构建的神经网络模型为内卷积神经网络模型，内卷积神经网络模型的参数可根据需要进行设置变化。其主要包括 对输入的模型训练图进行卷积下采样，经过数次卷积处理，然后上采样至原图分辨率输出等步骤。训练模型练时用输入的模型训练图与模型网络结果做平方差损失，这样能使训练模型拟合无缺陷数据信息。
S3：上述神经网络模型训练完成后，将S1步骤中得到的多个模型训练图输入神经网络模型，得到神经网络模型输出的模型特征图，模型特征图与模型训练图一一对应，每个模型训练图都会产生一个相对应的模型特征图。
S4：将模型训练图和与其对应的模型特征图进行做差处理得到差异图，每个模型训练图都得到一个差异图；
S5：对差异图采用池化函数进行下采样，将差异图分为多个差异块，将多个差异图中位置对应的差异块的差异值一一对应进行比较，以每个位置差异块最大的差异值作为该位置差异块的判断阈值。上述差异块的数量可通过调整池化函数的池化窗口大小进行相应调整，在本专利中大步长大核心的平均池化方式对差异图进行处理，以每个差异块的平均值作为差异值。
S6：采集需要检测产品的图像并进行预处理，得到标准检测图；检测产品的图像的预处理方式与步骤S1中的处理方式相同，在此不再详细描述。
S7：将上述步骤中得到标准检测图导入到神经网络模型，通过神经网络模型输出检测产品特征图；
S8：将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，并采用池化函数进行下采样，将检测产品差异图分为多个差异块，并计算每个差异块的差异值，下采样方式与步骤S5类似。
S9：将检测产品差异图的差异块的差异值与上述步骤S6中差异图中各位置差异块的判断阈值一一对应进行比较，如检测产品差异块的差异值大于各差异块的判断阈值的比例大于规定阈值，则检测产品判断为不合格产品，如小于规定阈值，则检测产品判断为合格产品。
为了更详细的对上述步骤进行说明，下面举例对上述步骤进行详细说明：
首先在图像采集过程中采集50张合格产品的模型训练样本图，通过图像预处理将50张转化为50张模型训练图。接着将50张模型训练图导入到神经网络模型对模型进行训练。模型训练完成后，再将上述50张模型训练图依次输入到训练好的神经网络模型模型中，神经网络模型模型也依次输出50张模型特征图。将上述50张模型训练图与50张模型特征图一一对应进行做差处理，即每一个模型训练图和与其对应的模型特征图进行做差处理，得到一个差异图，这样50张模型训练图即可得到50张差异图。
将50张差异图差异图分别采用采用池化函数进行下采样，将每个差异图分为多个差异块，每个差异图以二维100*100的矩阵为例，选择的池化窗口大小为10*10的矩阵，这样进行下采样后，每个差异图就被分为100个差异块。将每个差异图的差异块按规律依次编号0...99，并计算每个差异块的差异值，每个差异块的差异值可采用差异块的平均值，也可采用最大值。接着将50个差异图对应编号差异块的差异值进行比较，选差异值最大的值作为该编号差异块的判断阈值。如将50个差异图中的第48号差异块差异值进行比较，差异值最大的就是48号差异块的判断阈值。
接着采集要检查产品的图像并进行预处理得到标准检测图，将标准检测图导入到神经网络模型，通过神经网络模型输出检测产品特征图；将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，该差异图以二维100*100的矩阵，采用相同的池化窗口大小为10*10的矩阵进行下采样后，将该差异图就被分为100个差异块，按上述相同规律对差异块依次编号0...99，然后将该检测产品差异图中差异块的差异值与对应编号的差异块判断阈值进行比较，并计算检测产品差异图中差异块的差异值大于对应编号的差异块判断阈值的比例，如检测产品差异块的差异值大于各差异块的判断阈值的比例大于规定比例阈值，则检测产品判断为不合格产品，如小于规定比例阈值，则检测产品判断为合格产品。如该检测产品100个差异块中有65差异块的差异值大于对应编号的差异块判断阈值，比例为65%，而规定的比例阈值为50%，则该产品为不合格产品；如该检测产品100个差异块中有35差异块的差异值大于对应编号的差异块判断阈值，比例为35%，那么该产品就是合格产品。
本专利还公开了一种产品缺陷检测系统，其包括：图像采集及预处理模块，所述图像采集及预处理模块用于采集多个合格产品的图像作为模型训练样本图，将采集的模型训练样本图进行图像归一化处理，形成模型训练图；神经网络模型，所述神经网络模型通过模型训练图进行训练后用于对输入的图片进行处理输出模型特征图；模型差异图处理模块，所述模型差异图处理模块用于将采集的所有模型训练图和与其对应的模型特征图进行做差处理得到差异图；差异图判断阈值计算模块，所述差异图判断阈值模块用于对差异图采用池化函数进行下采样，将差异图分为多个差异块，将多个差异图中位置对应的差异块的差异值一一对应进行比较，以每个位置差异块最大的差异值作为该位置差异块的判断阈值；检测图采集模块，所述检测图采集模块用于采集需要检测产品的图像并进行预处理，得到标准检测图；检测产品特征图输出模块，所述检测产品特征图输出模块用于将标准检测图输入到神经网络模型，神经网络模型输出检测产品特征图；检测产品差异值计算模块，所述检测产品差异值计算模块用于将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，并采用池化函数进行下采样，将检测产品差异图分为多个差异块，并计算每个差异块的差异值；判断模块，所述判断模块用于将检测产品差异图的差异块的差异值与各位置差异块的判断阈值一一对应进行比较，如检测产品差异块的差异值大于各差异块的判断阈值的比例大于规定比例阈值，则检测产品判断为不合格产品，如小于规定比例阈值，则检测产品判断为合格产品。
上述系统中各单元的操作可根据上述检测方法实现。在此不再赘述。
为了实现上述目的，本申请实施例还提供了一种产品缺陷检测，具体可以为个人计算机、服务器、网 络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述S1至S9所述的步骤方法。
相应的，本实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述上述S1至S9所述的步骤方法。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
该产品缺陷检测采用卷积神经网络进行模型训练时，只采集合格产品的图片作为训练样本，然后通过模型训练图和输出的模型特征图进行做差处理得到差异图，在对差异图进行处理得到差异块的差异阈值，最后通过判断检测产品差异图中的差异值与差异阈值的大小比例确定该产品是否合格。由于在生产线上合格产品的图往往占据绝大部分比例，因此搜集足够模型训练用的合格图需要的时间比搜集足够模型训练用的不合格图的时间至少减少80%。可以大大缩短图片收集所需要的时间，以快速将生产线能够快速投入生产。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种产品缺陷检测方法，其特征在于，其包括如下步骤：
1）图像采集及预处理：采集多个合格产品的图像作为模型训练样本图，将采集的模型训练样本图进行图像归一化处理，形成模型训练图；
2）构建神经网络模型，并通过模型训练图对神经网络模型完成模型训练；
3）将步骤1）中的模型训练图输入神经网络模型，得到神经网络模型输出的模型特征图；
4）将步骤1）中采集的所有模型训练图和与其对应的模型特征图进行做差处理得到差异图；
5）对差异图采用池化函数进行下采样，将差异图分为多个差异块，将多个差异图中位置对应的差异块的差异值一一对应进行比较，以每个位置差异块最大的差异值作为该位置差异块的判断阈值；
6）采集需要检测产品的图像并进行预处理，得到标准检测图；
7）将标准检测图输入到神经网络模型，神经网络模型输出检测产品特征图；
8）将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，并采用池化函数进行下采样，将检测产品差异图分为多个差异块，并计算每个差异块的差异值；
9）将检测产品差异图的差异块的差异值与步骤6）中差异图中各位置差异块的判断阈值一一对应进行比较，如检测产品差异块的差异值大于对应差异块判断阈值的比例大于规定比例阈值，则检测产品判断为不合格产品，如小于规定比例阈值，则检测产品判断为合格产品。
2.根据权利要求1所述的产品缺陷检测方法，其特征在于，步骤1）中图像归一化处理包括缩放处理、平移处理、裁切处理。
3.根据权利要求1所述的产品缺陷检测方法，其特征在于，所述多个合格产品的图像为多个在同一拍摄角度，同一拍摄参数，同一环境光照情况照出来的同一类型但不同个体的图像。
4.根据权利要求1所述的产品缺陷检测方法，其特征在于，步骤1）中，对合格产品的图像进行图像归一化处理时，选择图像上的待检测区域进行裁切处理，并将裁切的图作为模型训练图。
5.根据权利要求1所述的产品缺陷检测方法，其特征在于，步骤1）中进行图像归一化处理时对图片进行随机抖动处理。
6.根据权利要求1所述的产品缺陷检测方法，其特征在于，步骤6）、9）中差异块的平均值作为差异值。
7.根据权利要求1所述的产品缺陷检测方法，其特征在于，步骤2）中，训练模型练时用输入的模型训练图与模型网络结果做平方差损失，使训练模型拟合无缺陷数据信息。
8.一种产品缺陷检测系统，其特征在于，其包括：
图像采集及预处理模块，所述图像采集及预处理模块用于采集多个合格产品的图像作为模型训练样本图，将采集的模型训练样本图进行图像归一化处理，形成模型训练图；
神经网络模型，所述神经网络模型通过模型训练图进行训练后用于对输入的图片进行处理输出模型特征图；
模型差异图处理模块，所述模型差异图处理模块用于将采集的所有模型训练图和与其对应的模型特征图进行做差处理得到差异图；
差异图判断阈值计算模块，所述差异图判断阈值模块用于对差异图采用池化函数进行下采样，将差异图分为多个差异块，将多个差异图中位置对应的差异块的差异值一一对应进行比较，以每个位置差异块最大的差异值作为该位置差异块的判断阈值；
检测图采集模块，所述检测图采集模块用于采集需要检测产品的图像并进行预处理，得到标准检测图；
检测产品特征图输出模块，所述检测产品特征图输出模块用于将标准检测图输入到神经网络模型，神经网络模型输出检测产品特征图；
检测产品差异值计算模块，所述检测产品差异值计算模块用于将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，并采用池化函数进行下采样，将检测产品差异图分为多个差异块，并计算每个差异块的差异值；
判断模块，所述判断模块用于将检测产品差异图的差异块的差异值与各位置差异块的判断阈值一一对应进行比较，如检测产品差异块的差异值大于各差异块的判断阈值的比例大于规定比例阈值，则检测产品判断为不合格产品，如小于规定比例阈值，则检测产品判断为合格产品。
9.一种产品缺陷检测装置，其包括：包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质，用于存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110021280.4A CN113034432B (zh) | 2021-01-08 | 2021-01-08 | 一种产品缺陷检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110021280.4A CN113034432B (zh) | 2021-01-08 | 2021-01-08 | 一种产品缺陷检测方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113034432A true CN113034432A (zh) | 2021-06-25 |
| CN113034432B CN113034432B (zh) | 2023-10-27 |
Family
ID=76459266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110021280.4A Active CN113034432B (zh) | 2021-01-08 | 2021-01-08 | 一种产品缺陷检测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034432B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI786703B (zh) * | 2021-06-28 | 2022-12-11 | 顥天光電股份有限公司 | 人工智慧模型訓練裝置及其應用裝置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| US20200134800A1 (en) * | 2018-10-29 | 2020-04-30 | International Business Machines Corporation | Precision defect detection based on image difference with respect to templates |
| CN111598857A (zh) * | 2020-05-11 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 产品表面缺陷的检测方法、装置、终端设备及介质 |
| CN111932489A (zh) * | 2020-06-03 | 2020-11-13 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
| CN111968095A (zh) * | 2020-08-19 | 2020-11-20 | 成都数之联科技有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
-
2021
- 2021-01-08 CN CN202110021280.4A patent/CN113034432B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| US20200134800A1 (en) * | 2018-10-29 | 2020-04-30 | International Business Machines Corporation | Precision defect detection based on image difference with respect to templates |
| CN111598857A (zh) * | 2020-05-11 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 产品表面缺陷的检测方法、装置、终端设备及介质 |
| CN111932489A (zh) * | 2020-06-03 | 2020-11-13 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
| CN111968095A (zh) * | 2020-08-19 | 2020-11-20 | 成都数之联科技有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 冯太锐;苗玉彬;赵爽;: "基于深度学习的化妆品塑料瓶缺陷检测", 东华大学学报(自然科学版), no. 02 * |
| 王胜;吕林涛;杨宏才;: "卷积神经网络在印刷品缺陷检测的应用", 包装工程, no. 11 * |
| 陈本智;方志宏;夏勇;张灵;兰守忍;王利生;: "基于X射线图像的厚钢管焊缝中气孔缺陷的自动检测", 计算机应用, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI786703B (zh) * | 2021-06-28 | 2022-12-11 | 顥天光電股份有限公司 | 人工智慧模型訓練裝置及其應用裝置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113034432B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
| CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
| KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
| CN110619618A (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
| CN111445459B (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
| JP2024509411A (ja) | 欠陥検出方法、装置及びシステム | |
| CN105654066A (zh) | 一种车辆识别方法及装置 | |
| CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
| CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
| CN113538375A (zh) | 一种基于YOLOv5的PCB缺陷检测方法 | |
| WO2021261168A1 (ja) | 検査装置、ユニット選択装置、検査方法、及び検査プログラム | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN112819756A (zh) | Pcb板表面缺陷检测装置及方法 | |
| CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
| CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
| CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
| CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
| CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
| CN115358981A (zh) | 胶水缺陷的确定方法、装置、设备及存储介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Xing Inventor after: Zhu Wenshan Inventor before: Wang Xing |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |