CN113256619A - 基于模糊理论的缺陷严重程度检测方法和装置 - Google Patents

Abstract

本发明提供了一种基于模糊理论的缺陷严重程度检测方法和装置，其中，该基于模糊理论的缺陷严重程度检测方法包括以下步骤：获取目标模糊控制系统；采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。本发明的基于模糊理论的缺陷严重程度检测方法，大大提高了缺陷严重程度检测的可靠性和准确性。

Description

基于模糊理论的缺陷严重程度检测方法和装置

技术领域

本发明涉及缺陷检测技术领域，具体涉及一种基于模糊理论的缺陷严重程度检测方法和一种基于模糊理论的缺陷严重程度检测装置。

背景技术

在工业中，工件的外观缺陷决定着一个工件是否达标。在质检过程中，外观缺陷的严重程度对是否达标有很大的影响。为了能够有效的评估外观缺陷，我们有必要构建一套评估缺陷严重程度的方法，完成对外观缺陷稳定快速的严重程度评估。在工业外观质检中，常常采集大量的缺陷图像数据，根据这些数据进行建模，并预测缺陷严重程度的等级类别。由于工业工件外观缺陷成像受工件材质，周围环境，光学方案，以及对缺陷严重程度的不确定描述等多重因素影响，工业外观缺陷检测难度很大，缺陷的严重程度评估一直是工业质检的难点。

相关技术中，一般利用机器学习或深度学习的方法将采集的缺陷图像人为划分有限个严重等级类别，然后制作为数据集，并将其送入模型进行缺陷等级分类学习，待模型学习完毕后输出某个等级结果。然而，采用该方式进行缺陷严重程度检测时，可靠性和准确性均较低。

发明内容

本发明为解决上述技术问题，提供了一种基于模糊理论的缺陷严重程度检测方法，大大提高了缺陷严重程度检测的可靠性和准确性。

本发明采用的技术方案如下：

一种基于模糊理论的缺陷严重程度检测方法，包括以下步骤：获取目标模糊控制系统；采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。

获取所述目标模糊控制系统包括：获取工件的训练样本图像，并获取所述训练样本图像的物理量特征数据；根据所述训练样本图像和所述训练样本图像的物理量特征对模糊控制系统进行训练，得到所述目标模糊控制系统。

所述模糊控制系统包括模糊器、模糊推理机和解模糊器，其中，根据所述训练样本图像和所述训练样本图像的物理量特征对所述模糊控制系统进行训练，包括：将所述训练样本图像和所述训练样本图像的物理量特征输入所述模糊器以生成对应的模糊集；设定模糊规则；将所述模糊集和所述模糊规则输入所述模糊推理机；将所述模糊推理机的输出结果输入所述解模糊器，以生成相应的第一严重程度值。

获取所述目标模糊控制系统还包括：获取所述目标模糊控制系统还包括：根据所述实际物理特征计算第二严重程度值；根据所述第二严重程度值和所述第一严重程度值对目标模糊控制系统进行调优。

一种基于模糊理论的缺陷严重程度检测装置，包括：第一获取模块，所述第一获取模块用于获取目标模糊控制系统；第二获取模块，所述第二获取模块用于采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；检测模块，所述检测模块用于将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。

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，实现上述的基于模糊理论的缺陷严重程度检测方法。

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基于模糊理论的缺陷严重程度检测方法。

本发明的有益效果：

本发明能够大大提高缺陷严重程度检测的可靠性和准确性。

附图说明

图1为本发明实施例的基于模糊理论的缺陷严重程度检测方法的流程图；

图2为本发明一个实施例的获取目标模糊控制系统的方法的流程图；

图3为本发明实施例的基于模糊理论的缺陷严重程度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是根据本发明实施例的基于模糊理论的缺陷严重程度检测方法的流程图。

目前，传统的缺陷严重程度等级评估方案，一般是利用机器学习或深度学习的方法将采集的缺陷图像人为划分有限个严重等级类别，然后将其制作为数据集送入模型进行缺陷等级分类学习，模型学习完毕后输出某个等级结果，其中，该结果包含等级类别和一个等级类别置信度。

然而，通过置信度并无法准确地表达出缺陷严重程度，同时，采用机器学习或深度学习的方式，对数据集准确性的要求较高，并且训练模型参数较多，训练速度较慢，因此，大大降低了缺陷严重程度检测的可靠性。

为此，本发明实施例提出了一种基于模糊理论的缺陷严重程度检测方法，大大提高了缺陷严重程度检测的可靠性和准确性。

具体地，如图1所示，本发明实施例的基于模糊理论的缺陷严重程度检测方法可包括以下步骤：

S1，获取目标模糊控制系统。

根据本发明的一个实施例，如图2所示，获取目标模糊控制系统可包括以下步骤：

S201，获取工件的训练样本图像，并获取训练样本图像的物理量特征数据。

具体而言，可在工业现场通过专业采图设备采集工件（可为与待检测工件同类型工件）的缺陷图像以作为训练样本图像，并提取训练样本图像的物理量特征数据，该物理量特征数据可包括亮度、梯度、对比度等数据。

S202，根据训练样本图像和训练样本图像的物理量特征对模糊控制系统进行训练，得到目标模糊控制系统。

根据本发明的一个实施例，模糊控制系统可包括模糊器、模糊推理机和解模糊器。也就是说，可将训练样本图像和训练样本图像的物理量特征输入由模糊器、模糊推理机和解模糊器构成的模糊控制系统以对模糊控制系统进行训练。

对应的，根据训练样本图像和训练样本图像的物理量特征对模糊控制系统进行训练，包括：将训练样本图像和训练样本图像的物理量特征输入模糊器以生成对应的模糊集；设定模糊规则；将模糊集和模糊规则输入模糊推理机；将模糊推理机的输出结果输入解模糊器，以生成相应的第一严重程度值。

具体而言，首先，可将训练样本图像和训练样本图像的物理量特征作为数据集（输入数据），以制作多模态数据集，保证数据能够完好地表征缺陷的特点。

其次，将训练样本图像和训练样本图像的物理量特征输入模糊器，以生成对应的模糊集。其中，作为一种可能的实施方式，训练样本图像可被划分为三种模糊集，例如，“十分严重”、“严重”和“不严重”，对应的，可采用三角形隶属度函数作为模糊器以输出各模糊集对应的隶属度。

其中，该三角形隶属度函数通过以下公式表示：

，

其中，x表示输入数据，

表示输入数据对应的隶属度，a、b和c表示模糊 器对应的参数。

在将输入数据划分不同模糊集后，还可进行模糊规则设定。其中，模糊规则的设定与输入和输出划分的模糊集有一定的关系，在指定模糊规则时需保证模糊规则库中的规则具有完备性。举例而言，模糊规则的表述可为“如果图像严重，对比度小，那么缺陷不严重”。

然后，可将模糊规则和模糊集输入模糊推理机。其中，模糊推理机是一个将所有输入的模糊集根据模糊规则向输出模糊集的映射，作为一种可能的实施方式，该模糊推理机可为乘机推理机。

模糊推理机的输出结果（该输出结果可为某个模糊集的隶属度），需要经过解模糊器来完成由模糊集向清晰值的映射。其中，可采用最大值解模糊器完成清晰值的计算，该清晰值指缺陷的实际严重程度（第一严重程度值）。

可以理解的是，训练完成后，为了保证训练处的目标模糊控制系统的准确性，还可对目标模糊控制系统进行调优。

对应的，根据本发明的一个实施例，获取目标模糊控制系统还包括：测量缺陷在工件上的实际物理特征；根据实际物理特征计算第二严重程度值；根据第二严重程度值和第一严重程度值对目标模糊控制系统进行调优，得到稳定的用于检测缺陷严重程度的模糊控制系统。

具体而言，可通过现场专业的质检人员和实施人员测量出缺陷在工件上的实际物理特征，例如，长度、深度和面积等，并根据实际物理特征计算缺陷的严重程度值，即第二严重程度值。

其中，可通过以下公式生成第二严重程度值：

，

其中，

表示第二严重程度值；

、

和

分别表示实际测量的缺陷的面积、 长度和深度；

、

和

分别表示工件的面积、长度和深度；

、

和

表示影响因 子。

进一步而言，在计算出第二严重程度值后，可将第二严重程度值与第一严重程度值进行比对，如果第一严重程度值与第二严重程度值偏差较小，则无需对目标模糊控制系统进行调优；如果第一严重程度值与第二严重程度值偏差较大，则需对目标模糊控制系统进行调优，具体地，可对模糊器对应的参数进行调节，然后重复上述实施例对模糊控制系统进行训练的方式再次进行训练，直至第一严重程度值与第二严重程度值偏差较小。

S2，采集待检测工件的目标检测图像，并获取目标检测图像的物理量特征数据。

其中，可在工业现场通过专业采图设备采集检测工件的图像以作为目标检测图像，并获取目标检测图像的物理量特征数据，该物理量特征数据可包括亮度、梯度、对比度等数据。

S3，将目标检测图像以及目标检测图像的物理量特征数据输入目标模糊控制系统，以对待检测工件进行缺陷严重程度检测。

通过最终训练完成的目标模糊控制系统对目标检测图像以及目标检测图像的物理量特征数据进行处理分析，以对待检测工件进行缺陷严重程度检测。

由此，本发明通过使用采集的缺陷图像，提取的图像物理量和缺陷实物的测量值等多模态数据制作数据集，采用模糊逻辑进行建模，从而脱离对单一图像数据的依赖，缓解了缺陷等级边界模糊的问题，并且可以直接输出缺陷严重程度值，提高缺陷严重程度测量的可靠性和精度。

根据本发明实施例的基于模糊理论的缺陷严重程度检测方法，获取目标模糊控制系统，以及采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据，以及将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。由此，大大提高了缺陷严重程度检测的可靠性和准确性。

对应上述实施例的缺陷检测方法，本发明还提出一种基于模糊理论的缺陷严重程度检测装置。

如图3所示，本发明实施例的基于模糊理论的缺陷严重程度检测装置可包括：第一获取模块100、第二获取模块200和检测模块300。其中，第一获取模块100用于获取目标模糊控制系统；第二获取模块200用于采集待检测工件的目标检测图像，并获取目标检测图像的物理量特征数据；检测模块300用于将目标检测图像以及目标检测图像的物理量特征数据输入目标模糊控制系统，以对待检测工件进行缺陷严重程度检测。

根据本发明的一个实施例，第一获取模块100具体用于：获取工件的训练样本图像，并获取训练样本图像的物理量特征数据；根据训练样本图像和训练样本图像的物理量特征对模糊控制系统进行训练，得到目标模糊控制系统。

根据本发明的一个实施例，模糊控制系统包括模糊器、模糊推理机和解模糊器，其中，第一获取模块100具体用于：将训练样本图像和训练样本图像的物理量特征输入模糊器以生成对应的模糊集；设定模糊规则；将模糊集和模糊规则输入模糊推理机；将模糊推理机的输出结果输入解模糊器，以生成相应的第一严重程度值。

根据本发明的一个实施例，第一获取模块100具体还用于：测量缺陷在工件上的实际物理特征；根据实际物理特征计算第二严重程度值；根据第二严重程度值和第一严重程度值对目标模糊控制系统进行调优。

需要说明的是，本发明实施例的基于模糊理论的缺陷严重程度检测装置更具体的实施方式可参照上述基于模糊理论的缺陷严重程度检测方法的实施例，在此不再赘述。

根据本发明实施例的基于模糊理论的缺陷严重程度检测装置，通过第一获取模块获取目标模糊控制系统，以及通过第二获取模块采集待检测工件的目标检测图像，并获取目标检测图像的物理量特征数据，以及通过检测模块将目标检测图像以及目标检测图像的物理量特征数据输入目标模糊控制系统，以对待检测工件进行缺陷严重程度检测。由此，能够大大提高缺陷严重程度检测的可靠性和准确性。

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，实现上述实施例的基于模糊理论的缺陷严重程度检测方法。

根据本发明实施例的计算机设备，能够大大提高缺陷严重程度检测的可靠性和准确性。

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基于模糊理论的缺陷严重程度检测方法。

根据本发明实施例的非临时性计算机可读存储介质，能够大大提高缺陷严重程度检测的可靠性和准确性。

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 (7)

1.一种基于模糊理论的缺陷严重程度检测方法，其特征在于，包括以下步骤：

获取目标模糊控制系统；

采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；

将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。

2.根据权利要求1所述的基于模糊理论的缺陷严重程度检测方法，其特征在于，获取所述目标模糊控制系统包括：

获取工件的训练样本图像，并获取所述训练样本图像的物理量特征数据；

根据所述训练样本图像和所述训练样本图像的物理量特征对模糊控制系统进行训练，得到所述目标模糊控制系统。

3.根据权利要求2所述的基于模糊理论的缺陷严重程度检测方法，其特征在于，所述模糊控制系统包括模糊器、模糊推理机和解模糊器，其中，根据所述训练样本图像和所述训练样本图像的物理量特征对所述模糊控制系统进行训练，包括：

将所述训练样本图像和所述训练样本图像的物理量特征输入所述模糊器以生成对应的模糊集；

设定模糊规则；

将所述模糊集和所述模糊规则输入所述模糊推理机；

将所述模糊推理机的输出结果输入所述解模糊器，以生成相应的第一严重程度值。

4.根据权利要求3所述的基于模糊理论的缺陷严重程度检测方法，其特征在于，获取所述目标模糊控制系统还包括：

测量缺陷在所述工件上的实际物理特征；

根据所述实际物理特征计算第二严重程度值，其中，通过以下公式计算所述第二严重程度值：

，

其中，

表示所述第二严重程度值；

、

和

分别表示实际测量的缺陷的面积、长 度和深度；

、

和

分别表示所述工件的面积、长度和深度；

、

和

表示影响因 子；

根据所述第二严重程度值和所述第一严重程度值对所述目标模糊控制系统进行调优。

5.一种基于模糊理论的缺陷严重程度检测装置，其特征在于，包括：

第一获取模块，所述第一获取模块用于获取目标模糊控制系统；

第二获取模块，所述第二获取模块用于采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；

检测模块，所述检测模块用于将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。

6.一种计算机设备，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1-4中任一项所述的基于模糊理论的缺陷严重程度检测方法。

7.一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1-4中任一项所述的基于模糊理论的缺陷严重程度检测方法。

Images