CN113256608A - 工件缺陷检测方法和装置 - Google Patents

工件缺陷检测方法和装置 Download PDF

Info

Publication number
CN113256608A
CN113256608A CN202110669256.1A CN202110669256A CN113256608A CN 113256608 A CN113256608 A CN 113256608A CN 202110669256 A CN202110669256 A CN 202110669256A CN 113256608 A CN113256608 A CN 113256608A
Authority
CN
China
Prior art keywords
data
defect
workpiece
defect detection
pixel
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
Application number
CN202110669256.1A
Other languages
English (en)
Other versions
CN113256608B (zh
Inventor
杨企茂
郭骏
潘正颐
侯大为
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.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi Technology 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 Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202110669256.1A priority Critical patent/CN113256608B/zh
Publication of CN113256608A publication Critical patent/CN113256608A/zh
Application granted granted Critical
Publication of CN113256608B publication Critical patent/CN113256608B/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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种工件缺陷检测方法和装置，其中，所述方法包括以下步骤：获取待检测工件的缺陷标注数据；采用图像像素分解重构算法对所述缺陷标注数据进行增强；根据增强后的所述缺陷标注数据构建缺陷检测模型；根据所述缺陷检测模型对所述待检测工件进行缺陷检测。本发明能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。

Description

工件缺陷检测方法和装置
技术领域
本发明涉及缺陷检测技术领域，具体涉及一种工件缺陷检测方法和一种工件检测装置。
背景技术
卷积神经网络模型是目前在工件缺陷检测领域十分重要的一项技术，在卷积神经网络中，优良标注的工件缺陷数据集对最终的质检模型性能有很大的影响。但是，目前工件缺陷数据的标注一般由人工完成，可是由于用人成本的提升以及质检领域专家经验的稀少，优良标注的工件缺陷数据的产出大概每天100张，要达到足够卷积神经网络训练所需要的数据量则需要一个月左右，倘若在数据量不够时开始训练，最终的工件缺陷检测模型又很难获得一个良好的检测效果。
为了扩充数据集，传统的卷积神经网络算法会使用数据增强算法：对收集到的数据集进行简单的变形，裁切，更换颜色空间等处理，实现将小目标变大或大目标变小，抑或是图像颜色风格的更改以实现对原本数据集的扩充。但是，通过该策略生成的“新数据集”相比于原本数据集特征模式依然没有本质区别，类间特征模式依然没有改变，难以用于工件缺陷检测任务。
发明内容
本发明为解决上述技术问题，提供了一种工件缺陷检测方法，能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。
本发明采用的技术方案如下：
一种工件缺陷检测方法，包括以下步骤：获取待检测工件的缺陷标注数据；采用图像像素分解重构算法对所述缺陷标注数据进行增强；根据增强后的所述缺陷标注数据构建缺陷检测模型；根据所述缺陷检测模型对所述待检测工件进行缺陷检测。
根据本发明的一个实施例，获取待检测工件的缺陷标注数据，包括以下步骤：获取所述待检测工件的原始数据；采用语义分割算法对所述原始数据进行缺陷标注得到所述缺陷标注数据。
根据本发明的一个实施例，采用图像像素分解重构算法对所述缺陷标注数据进行增强，包括以下步骤：对所述缺陷标注数据进行逐像素拆分并聚类得到原子数据；采用多种数据增强算法分别对所述原子数据进行数据增强得到相应的扩张数据；采用卷积神经网络对所述扩张数据的准确率进行评判，并根据评判结果选择三种所述数据增强算法作为最终的数据增强算法；根据所述最终数据增强算法对所述缺陷标注数据进行增强。
根据本发明的一个实施例，对所述缺陷标注数据进行逐像素拆分并聚类得到原子数据，包括以下步骤：根据缺陷类别对所述缺陷标注数据进行逐像素拆分；将含有相同缺陷类别的像素聚类；判断聚类后的含有相同缺陷类别的像素之间的距离是否超过预设距离；若是，则对聚类后的含有相同缺陷类别的像素进行拆分转换得到相应的原子数据。
根据本发明的一个实施例，根据增强后的所述缺陷标注数据构建缺陷检测模型，包括以下步骤：根据增强后的所述缺陷标注数据得到训练样本和测试样本；根据所述训练样本进行迭代训练得到所述缺陷检测模型，并采用所述测试样本对所述缺陷检测模型进行测试。
一种工件缺陷检测装置，包括：获取模块，所述获取模块用于获取待检测工件的缺陷标注数据；数据增强模块，所述数据增强模块采用图像像素分解重构算法对所述缺陷标注数据进行增强；建模模块，所述建模模块用于根据增强后的所述缺陷标注数据构建缺陷检测模型；检测模块，所述检测模块用于根据所述缺陷检测模型对所述待检测工件进行缺陷检测。
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计算机程序时，实现上述的工件缺陷检测方法。
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上述的工件缺陷检测方法。
本发明的有益效果：
本发明能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。
附图说明
图1为本发明实施例的工件缺陷检测方法的流程图；
图2为本发明一个实施例的数据增强的流程图；
图3为本发明一个具体实施例的数据增强的流程图；
图4为本发明实施例的工件缺陷检测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
图1为本发明实施例的工件缺陷检测方法的流程图。
如图1所示，本发明实施例的工件缺陷检测方法，包括以下步骤：
S1，获取待检测工件的缺陷标注数据。
具体地，可先获取待检测工件的原始数据，然后可采用语义分割算法对原始数据进行缺陷标注得到缺陷标注数据。
更具体地，可通过工业相机获取待检测工件的原始数据，即通过工业相机拍摄待检测工件的图像，然后可采用语义分割算法标注出原始数据，即图像中含有缺陷的像素，同时还需要标注出该像素中缺陷的类别，并为该像素设定像素标签，然后可将标注完成的原始数据作为缺陷标注数据进行保存，以积累用于后续步骤的缺陷标注数据，具体需要积累数百张缺陷标注数据。
S2，采用图像像素分解重构算法对缺陷标注数据进行增强。
在本发明的一个实施例中，如图2所示，采用图像像素分解重构算法对缺陷标注数据进行增强，具体包括以下步骤：
S201，对缺陷标注数据进行逐像素拆分并聚类得到原子数据。
具体地，如图3所示，可根据缺陷类别（例如划痕、R角、C件、碰伤、异色）对每个缺陷标注数据，即缺陷标注图像进行逐像素拆分，例如可将每个缺陷标注数据，即缺陷标注图像拆分为k部分（k对应每个缺陷标注数据所包含的缺陷类别的数量），然后可将含有相同缺陷类别的像素进行聚类，例如可将含有第i类（i∈k）缺陷的像素进行聚类。其中，可采用K最近邻算法将含有相同缺陷类别的像素进行聚类。
进一步地，如图3所示，需要判断聚类后的含有相同缺陷类别的像素之间的距离是否超过预设距离，若是，则需要将该聚类后的像素进一步拆分，具体可拆分为n个同等大小的子像素（例如划痕a、划痕b、划痕c，R角a、R角b、R角c，异色a、异色b、异色c）。更进一步地，对于每个子像素，例如第j子像素（j∈n），可先根据该子像素的最大宽高的尺寸，即a和b，创建大小为a*b的四通道图像，然后可将第j子像素的像素RGB三通道数据随机输入a*b四通道的前三个通道中，并可在第四个通道中输入1，完成后可将第j子像素输出，同时，还需要对第j子像素的原始标签进行转换，从而可得到原子数据，其中，每个原子数据中含有的缺陷类别相同。此外，还需要说明的是，在对聚类后的像素进行拆分后，若得到的某一子像素不存在缺陷或缺陷类别与该聚类像素的缺陷类别不同，则可在该子像素的四个通道中输入（0，0，0，0），以进行区分标记，从而可对聚类后的像素进行二次筛选，保证同一聚类像素内缺陷类别的统一性。
S202，采用多种数据增强算法分别对原子数据进行数据增强得到相应的扩张数据。
具体地，可先逐一对每个原子数据进行增加噪声、模糊处理和提升对比度的数据增强处理，从而可得到相应的初步扩张数据。其中，需要说明的是，在该过程中不需要对原子数据的标签进行转换处理，并且每个初步扩张数据中含有的缺陷类别也相同。
进一步地，可分别从每个初步扩张数据中随机挑选多个样本组成样本空间（其中每个样本空间由含有相同缺陷类别的样本构成），然后可采用缩放、旋转、裁切、扭曲、色彩归一化数据增强算法依次对每个样本空间进行数据增强，从而可通过缩放得到第一扩张数据、通过旋转得到第二扩张数据、通过扭曲得到第三扩张数据、通过色彩归一化得到第四扩张数据。其中，需要说明的是，为获取更多的扩张数据，可采用不同标准的缩放、旋转、裁切、扭曲、色彩归一化数据增强算法依次对每个样本空间进行数据增强，例如可采用不同缩放尺寸、不同旋转角度、不同裁切尺寸、不同扭曲变换、不同参量下的色彩归一化标准的数据增强算法依次对每个样本空间进行数据增强，从而可得到更多的扩张数据。下面将以一种标准的缩放、旋转、裁切、扭曲、色彩归一化数据增强算法得到的扩张数据对本发明后续步骤进行阐述。
S203，采用卷积神经网络对扩张数据的准确率进行评判，并根据评判结果选择三种数据增强算法作为最终的数据增强算法。
具体地，可将每个样本空间，即每种缺陷类别样本对应不同的数据增强算法得到不同的扩张数据分别用于训练ResNet-34网络，以得到每个样本空间，即每种缺陷类别样本在不同数据增强算法下的准确率，并可根据准确率的高低选出每个样本空间，即每种缺陷类别样本最有效的三种数据增强算法作为最终的数据增强算法，由此，能够确定不同缺陷类型数据的最有效增强算法，从而能够保证增强后的数据的有效性。
S204，根据最终数据增强算法对缺陷标注数据进行增强。
具体地，可先从每个初步扩张数据中选择[2,1.3*Kmax]（Kmax为每个缺陷标注数据所包含的缺陷类别的最大数量）个样本作为待增强样本，并可从上述多种数据增强算法，即缩放、旋转、裁切、扭曲、色彩归一化数据增强算法中随机选择一个数据增强算法加入到该待增强样本的最终数据增强算法组合中（如图3所示，对于每个待增强样本可分别选择三种数据增强算法作为最终数据增强算法组合，例如，对于划痕缺陷类别对应的待增强样本可选择三种数据增强算法，即三种最佳策略构成最终数据增强算法组合，即图3所示的最佳策略x3的组合，进一步还可随机选择一种数据增强算法作为额外随机策略加入到对应待增强样本的最终增强算法组合中），以对该待增强样本进行数据增强处理，并调整色彩空间和模糊样本间差异，然后可对该待增强样本的标签采用相同的方法进行重组，从而可完成对该待增强样本的增强，重复该步骤，可完全对每个初步扩张数据的增强，即含有每种缺陷类型的数据的增强，由此，可实现原数百张缺陷标注数据的平方数式的增长，能够得到万张增强后的数据。
S3，根据增强后的缺陷标注数据构建缺陷检测模型。
具体地，可先根据增强后的缺陷标注数据得到训练样本和测试样本，然后可根据训练样本进行迭代训练得到缺陷检测模型，并采用测试样本对缺陷检测模型进行测试，由此，可提升模型的性能，保证检测的精准度。
S4，根据缺陷检测模型对待检测工件进行缺陷检测。
根据本发明实施例提出的工件缺陷检测方法，通过获取待检测工件的缺陷标注数据，进而采用图像像素分解重构算法对缺陷标注数据进行增强，然后可根据增强后的缺陷标注数据构建缺陷检测模型，最后可根据缺陷检测模型和增强后的缺陷标注数据对待检测工件进行缺陷检测，由此，能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。
对应上述实施例，本发明还提出一种工件缺陷检测装置。
如图4所示，本发明实施例的工件缺陷检测装置，包括获取模块10、数据增强模块20、建模模块30和检测模块40。其中，获取模块10用于获取待检测工件的缺陷标注数据；数据增强模块20采用图像像素分解重构算法对缺陷标注数据进行增强；建模模块30用于根据增强后的缺陷标注数据构建缺陷检测模型；检测模块40用于根据缺陷检测模型对待检测工件进行缺陷检测。
在本发明的一个实施例中，获取模块10可先获取待检测工件的原始数据，然后可采用语义分割算法对原始数据进行缺陷标注得到缺陷标注数据。
更具体地，获取模块10可通过工业相机获取待检测工件的原始数据，即通过工业相机拍摄待检测工件的图像，然后可采用语义分割算法标注出原始数据，即图像中含有缺陷的像素，同时还需要标注出该像素中缺陷的类别，并为该像素设定像素标签，然后可将标注完成的原始数据作为缺陷标注数据进行保存。
在本发明的一个实施例中，数据增强模块20可对缺陷标注数据进行逐像素拆分并聚类得到原子数据，并可采用多种数据增强算法分别对原子数据进行数据增强得到相应的扩张数据，进而可采用卷积神经网络对扩张数据的准确率进行评判，并根据评判结果选择三种数据增强算法作为最终的数据增强算法，然后可根据最终数据增强算法对缺陷标注数据进行增强。
更具体地，数据增强模块20可根据缺陷类别对每个缺陷标注数据，即缺陷标注图像进行逐像素拆分，例如可将每个缺陷标注数据，即缺陷标注图像拆分为k部分（k对应每个缺陷标注数据所包含的缺陷类别的数量），然后可将含有相同缺陷类别的像素进行聚类，例如可将含有第i类（i∈k）缺陷的像素进行聚类。其中，可采用K最近邻算法将含有相同缺陷类别的像素进行聚类。
进一步地，数据增强模块20需要判断聚类后的含有相同缺陷类别的像素之间的距离是否超过预设距离，若是，则需要将该聚类后的像素进一步拆分，具体可拆分为若干个同等大小的子像素，例如n个同等大小的子像素。更进一步地，对于每个子像素，例如第j子像素（j∈n），可先根据该子像素的最大宽高的尺寸，即a和b，创建大小为a*b的四通道图像，然后可将第j子像素的像素RGB三通道数据随机输入a*b四通道的前三个通道中，并可在第四个通道中输入1，完成后可将第j子像素输出，同时，还需要对第j子像素的原始标签进行转换，从而可得到原子数据，其中，每个原子数据中含有的缺陷类别相同。此外，还需要说明的是，在对聚类后的像素进行拆分后，若得到的某一子像素不存在缺陷或缺陷类别与该聚类像素的缺陷类别不同，则可在该子像素的四个通道中输入（0，0，0，0），以进行区分标记，从而可对聚类后的像素进行二次筛选，保证同一聚类像素内缺陷类别的统一性。
进一步地，数据增强模块20可先逐一对每个原子数据进行增加噪声、模糊处理和提升对比度的数据增强处理，从而可得到相应的初步扩张数据。其中，需要说明的是，在该过程中不需要对原子数据的标签进行转换处理，并且每个初步扩张数据中含有的缺陷类别也相同。
进一步地，数据增强模块20可分别从每个初步扩张数据中随机挑选多个样本组成样本空间（其中每个样本空间由含有相同缺陷类别的样本构成），然后可采用缩放、旋转、裁切、扭曲、色彩归一化数据增强算法依次对每个样本空间进行数据增强，从而可通过缩放得到第一扩张数据、通过旋转得到第二扩张数据、通过扭曲得到第三扩张数据、通过色彩归一化得到第四扩张数据。其中，需要说明的是，为获取更多的扩张数据，可采用不同标准的缩放、旋转、裁切、扭曲、色彩归一化数据增强算法依次对每个样本空间进行数据增强，例如可采用不同缩放尺寸、不同旋转角度、不同裁切尺寸、不同扭曲变换、不同参量下的色彩归一化标准的数据增强算法依次对每个样本空间进行数据增强，从而可得到更多的扩张数据。下面将以一种标准的缩放、旋转、裁切、扭曲、色彩归一化数据增强算法得到的扩张数据对本发明后续步骤进行阐述。
进一步地，数据增强模块20可将每个样本空间，即每种缺陷类别样本对应不同的数据增强算法得到不同的扩张数据分别用于训练ResNet-34网络，以得到每个样本空间，即每种缺陷类别样本在不同数据增强算法下的准确率，并可根据准确率的高低选出每个样本空间，即每种缺陷类别样本最有效的三种数据增强算法作为最终的数据增强算法。
进一步地，数据增强模块20可先从每个初步扩张数据中选择[2,1.3*Kmax]（Kmax为每个缺陷标注数据所包含的缺陷类别的最大数量）个样本作为待增强样本，并可从上述多种数据增强算法，即缩放、旋转、裁切、扭曲、色彩归一化数据增强算法中随机选择一个数据增强算法加入到每个待增强样本的最终数据增强算法组合中（如图3所示，对于每个待增强样本可分别选择三种数据增强算法作为最终数据增强算法组合，例如，对于划痕缺陷类别对应的待增强样本可选择三种数据增强算法，即三种最佳策略构成最终数据增强算法组合，即图3所示的最佳策略x3的组合，进一步还可随机选择一种数据增强算法作为额外随机策略加入到对应待增强样本的最终增强算法组合中），以对该待增强样本进行数据增强处理，并调整色彩空间和模糊样本间差异，然后可对该待增强样本的标签采用相同的方法进行重组，从而可完成对该待增强样本的增强，重复该步骤，可完全对每个初步扩张数据的增强，即含有每种缺陷类型的数据的增强。
在本发明的一个实施例中，建模模块30可先根据增强后的缺陷标注数据得到训练样本和测试样本，然后可根据训练样本进行迭代训练得到缺陷检测模型，并采用测试样本对缺陷检测模型进行测试，由此，可提升模型的性能，保证检测的精准度。
根据本发明实施例提出的工件缺陷检测装置，通过设置获取模块10、数据增强模块20、建模模块30和检测模块40，其中，获取模块10用于获取待检测工件的缺陷标注数据，数据增强模块20可采用图像像素分解重构算法对缺陷标注数据进行增强，建模模块30用于根据增强后的缺陷标注数据构建缺陷检测模型，检测模块40用于根据缺陷检测模型对待检测工件进行缺陷检测，由此，能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的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，处理器执行程序时，实现上述实施例的工件缺陷检测方法。
根据本发明实施例的计算机设备，能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的工件缺陷检测方法。
根据本发明实施例的非临时性计算机可读存储介质，能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。
在本发明的描述中，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一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
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发明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针对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。
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特定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，并且本发明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，这应被本发明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，本发明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。例如，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，在本发明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发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种工件缺陷检测方法，其特征在于，包括以下步骤：
获取待检测工件的缺陷标注数据；
采用图像像素分解重构算法对所述缺陷标注数据进行增强；
根据增强后的所述缺陷标注数据构建缺陷检测模型；
根据所述缺陷检测模型对所述待检测工件进行缺陷检测。
2.根据权利要求1所述的工件缺陷检测方法，其特征在于，获取待检测工件的缺陷标注数据，包括以下步骤：
获取所述待检测工件的原始数据；
采用语义分割算法对所述原始数据进行缺陷标注得到所述缺陷标注数据。
3.根据权利要求2所述的工件缺陷检测方法，其特征在于，采用图像像素分解重构算法对所述缺陷标注数据进行增强，包括以下步骤：
对所述缺陷标注数据进行逐像素拆分并聚类得到原子数据；
采用多种数据增强算法分别对所述原子数据进行数据增强得到相应的扩张数据；
采用卷积神经网络对所述扩张数据的准确率进行评判，并根据评判结果选择三种所述数据增强算法作为最终的数据增强算法；
根据所述最终数据增强算法对所述缺陷标注数据进行增强。
4.根据权利要求3所述的工件缺陷检测方法，其特征在于，对所述缺陷标注数据进行逐像素拆分并聚类得到原子数据，包括以下步骤：
根据缺陷类别对所述缺陷标注数据进行逐像素拆分；
将含有相同缺陷类别的像素聚类；
判断聚类后的含有相同缺陷类别的像素之间的距离是否超过预设距离；
若是，则对聚类后的含有相同缺陷类别的像素进行拆分转换得到相应的原子数据。
5.根据权利要求4所述的工件缺陷检测方法，其特征在于，根据增强后的所述缺陷标注数据构建缺陷检测模型，包括以下步骤：
根据增强后的所述缺陷标注数据得到训练样本和测试样本；
根据所述训练样本进行迭代训练得到所述缺陷检测模型，并采用所述测试样本对所述缺陷检测模型进行测试。
6.一种工件缺陷检测装置，其特征在于，包括：
获取模块，所述获取模块用于获取待检测工件的缺陷标注数据；
数据增强模块，所述数据增强模块采用图像像素分解重构算法对所述缺陷标注数据进行增强；
建模模块，所述建模模块用于根据增强后的所述缺陷标注数据构建缺陷检测模型；
检测模块，所述检测模块用于根据所述缺陷检测模型对所述待检测工件进行缺陷检测。
7.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-5中任一项所述的工件缺陷检测方法。
8.一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根据权利要求1-5中任一项所述的工件缺陷检测方法。
CN202110669256.1A 2021-06-17 2021-06-17 工件缺陷检测方法和装置 Active CN113256608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110669256.1A CN113256608B (zh) 2021-06-17 2021-06-17 工件缺陷检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110669256.1A CN113256608B (zh) 2021-06-17 2021-06-17 工件缺陷检测方法和装置

Publications (2)

Publication Number Publication Date
CN113256608A true CN113256608A (zh) 2021-08-13
CN113256608B CN113256608B (zh) 2021-10-19

Family

ID=77188292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110669256.1A Active CN113256608B (zh) 2021-06-17 2021-06-17 工件缺陷检测方法和装置

Country Status (1)

Country Link
CN (1) CN113256608B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330803A (zh) * 2022-10-17 2022-11-11 菲特（天津）检测技术有限公司 一种表面缺陷数据增强方法、装置、电子设备及存储介质
CN116109640A (zh) * 2023-04-13 2023-05-12 常州微亿智造科技有限公司 工业检测中的工件表面小缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN111598899A (zh) * 2020-05-18 2020-08-28 腾讯科技（深圳）有限公司 图像处理方法、装置及计算机可读存储介质
CN111932501A (zh) * 2020-07-13 2020-11-13 太仓中科信息技术研究院 一种基于语义分割的密封圈表面缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN111598899A (zh) * 2020-05-18 2020-08-28 腾讯科技（深圳）有限公司 图像处理方法、装置及计算机可读存储介质
CN111932501A (zh) * 2020-07-13 2020-11-13 太仓中科信息技术研究院 一种基于语义分割的密封圈表面缺陷检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330803A (zh) * 2022-10-17 2022-11-11 菲特（天津）检测技术有限公司 一种表面缺陷数据增强方法、装置、电子设备及存储介质
CN115330803B (zh) * 2022-10-17 2023-01-24 菲特（天津）检测技术有限公司 一种表面缺陷数据增强方法、装置、电子设备及存储介质
WO2024082925A1 (zh) * 2022-10-17 2024-04-25 菲特（天津）检测技术有限公司 一种表面缺陷数据增强方法、装置、电子设备及存储介质
CN116109640A (zh) * 2023-04-13 2023-05-12 常州微亿智造科技有限公司 工业检测中的工件表面小缺陷检测方法
CN116109640B (zh) * 2023-04-13 2023-08-18 常州微亿智造科技有限公司 工业检测中的工件表面小缺陷检测方法

Also Published As

Publication number Publication date
CN113256608B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN109596634B (zh) 电缆缺陷的检测方法及装置、存储介质、处理器
US7864365B2 (en) Methods and systems for segmenting a digital image into regions
US8437054B2 (en) Methods and systems for identifying regions of substantially uniform color in a digital image
JP7517641B2 (ja) 構造物の点検・補修支援システム
CN113256608B (zh) 工件缺陷检测方法和装置
CN110346699B (zh) 基于紫外图像处理技术的绝缘子放电信息提取方法及装置
CN110853005A (zh) 一种免疫组化膜染色切片诊断方法及装置
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN113610772B (zh) 易拉罐瓶底喷码缺陷检测方法、系统、装置及存储介质
US10726535B2 (en) Automatically generating image datasets for use in image recognition and detection
CN112819748B (zh) 一种带钢表面缺陷识别模型的训练方法及装置
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
EP3770853B1 (en) Image processing method, computer program, and recording medium
CN115578585A (zh) 工业图像异常检测方法、系统、计算机设备和存储介质
CN113763384B (zh) 工业质检中的缺陷检测方法、缺陷检测装置
CN115100656A (zh) 空白答题卡识别方法、系统、存储介质及计算机设备
EP2575350A2 (en) Method for brightness correction of defective pixels of digital monochrome image
CN110008949B (zh) 一种图像目标检测方法、系统、装置和存储介质
CN114764774A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114419037B (zh) 工件缺陷检测方法和装置
KR20060052459A (ko) 화상 검사 장치, 화상 검사 방법, 제어 프로그램 및 컴퓨터판독가능한 기억 매체
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN115861220A (zh) 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统

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