CN113570549A - 反光表面的缺陷检测方法及装置 - Google Patents
反光表面的缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN113570549A CN113570549A CN202110741557.0A CN202110741557A CN113570549A CN 113570549 A CN113570549 A CN 113570549A CN 202110741557 A CN202110741557 A CN 202110741557A CN 113570549 A CN113570549 A CN 113570549A
- Authority
- CN
- China
- Prior art keywords
- target image
- determining
- generating
- image
- value
- 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.)
- Pending
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种反光表面的缺陷检测方法及装置。其中,该方法包括:获取待检测的反光表面的目标图像;将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;确定目标图像和虚拟图像的像素点的特征值的差异值;在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷。本发明解决了相关技术中由于反光表面反光严重,严重影响表面缺陷的检测,导致检测准确率较低的技术问题。
Description
技术领域
本发明涉及缺陷检测领域,具体而言,涉及一种反光表面的缺陷检测方法及装置。
背景技术
由于部分冰箱工厂的生产线功能固化,导致生产的成品冰箱在组装完后就被包上了包装膜,由于包装膜的反光性和冰箱缺陷样本的不足为使用计算机视觉来对冰箱表面做缺陷检测创造了巨大的难题。
随着全球市场对于生产制造行业的产品质量要求的提高,人工检测存在诸多主观性,依靠人眼进行缺陷检测的方法已经不能满足检测需求,成为制造企业的一大难题。
在真实复杂的工业环境下,缺陷检测面临诸多挑战,缺陷问题具有随机性和复杂性,对此,经典方法往往显得束手无策,难以取得较好的检测效果,传统机器视觉的研究技术已陷入停滞。
目前常规的表面缺陷检测方法主要分为双级(two stage)和单级(one stage)也就是端到端,two stage算法的主要代表模型有R-CNN(Region Convolutional NeuralNetwork)、Faster R-CNN等,one stage算法主要代表模型为yolo、yolov2、yolov3等。这些算法都需要使用大量的缺陷样本数据来进行模型的训练,同时也需要耗费大量的人力来进行样本的标注,并且在处理光照不均匀的物体表面的检测时,往往会产生较大的偏差。
现在在工业缺陷检测领域针对金属表面检测使用得最多的是Faster R-CNN模型或者全卷积网络(Fully Convolutional Networks,FCN),这几种常用的算法模型都需要大量的训练样本,尤其是带有划痕的缺陷样本,在冰箱生产的过程中,缺陷样本的生成数量是十分有限的,完全不能满足模型的训练,导致模型在训练过程中难以收敛,即使可以收敛,训练的模型对缺陷的检测准确率也偏低,无法进行实际的应用。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种反光表面的缺陷检测方法及装置,以至少解决相关技术中由于反光表面反光严重,严重影响表面缺陷的检测,导致检测准确率较低的技术问题。
根据本发明实施例的一个方面,提供了一种反光表面的缺陷检测方法,包括:获取待检测的反光表面的目标图像;将所述目标图像输入生成对抗网络的生成器,生成所述目标图像的虚拟图像;确定所述目标图像和所述虚拟图像的像素点的特征值的差异值;在所述差异值超过预设阈值的情况下,确定所述目标图像在所述像素点存在缺陷。
可选的,在将所述目标图像输入生成对抗网络的生成器,生成所述目标图像的虚拟图像之前,所述方法还包括:确定无缺陷的反光表面为正样本;对所述正样本进行缺陷处理,得到负样本;将所述正样本输入所述生成对抗网络的判别器,将所述负样本输入所述生成对抗网络的生成器,以对所述生成对抗网络进行训练。
可选的,将所述正样本输入所述生成对抗网络的判别器,将所述负样本输入所述生成对抗网络的生成器之后,所述方法还包括:确定虚拟负样本和所述正样本的比较数值,其中,所述虚拟负样本为所述负样本输入所述生成器得到的虚拟负样本;在所述比较数值小于预设比较数值的情况下,确定所述生成对抗网络训练完成。
可选的,确定所述目标图像和所述虚拟图像的像素点的特征值的差异值包括:通过局部二值模式算法LBP,确定所述目标图像的像素点的第一特征值,以及所述虚拟图像的像素点的第二特征值;对所述第一特征值和所述第二特征值求差取绝对值,得到所述目标图像和所述虚拟图像的像素点的特征值的差异值。
可选的,所述方法还包括:在所述差异值不超过预设阈值的情况下,确定所述目标图像在所述像素点不存在缺陷。
可选的,在所述差异值超过预设阈值的情况下,确定所述目标图像在所述像素点存在缺陷之后,所述方法还包括:根据所述目标图像中存在缺陷的多个像素点,确定所述目标图像中的缺陷位置和区域。
可选的,所述反光表面为覆盖反光薄膜的金属表面。
根据本发明实施例的另一方面,还提供了一种反光表面的缺陷检测装置,包括:获取模块,用于获取待检测的反光表面的目标图像;生成模块,用于将所述目标图像输入生成对抗网络的生成器,生成所述目标图像的虚拟图像;差异模块,用于确定所述目标图像和所述虚拟图像的像素点的特征值的差异值;确定模块,在所述差异值超过预设阈值的情况下,确定所述目标图像在所述像素点存在缺陷。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的反光表面的缺陷检测方法。
根据本发明实施例的另一方面,还提供了一种计算机存储介质,所述计算机存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机存储介质所在设备执行上述中任意一项所述的反光表面的缺陷检测方法。
在本发明实施例中,采用获取待检测的反光表面的目标图像;将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;确定目标图像和虚拟图像的像素点的特征值的差异值;在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷的方式,达到了通过生成对抗网络识别目标图像是否存在缺陷的目的,从而实现了提高反光表面缺陷检测的准确率的技术效果,进而解决了相关技术中由于反光表面反光严重,严重影响表面缺陷的检测,导致检测准确率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例1的一种反光表面的缺陷检测方法的流程图;
图2是根据本发明实施例1的反光表面的缺陷检测方法详细步骤的流程图;
图3是根据本发明实施例2的模型训练的示意图;
图4是根据本发明实施例2的图像识别的示意图;
图5是根据本发明实施例3的一种反光表面的缺陷检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种反光表面的缺陷检测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例1的一种反光表面的缺陷检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待检测的反光表面的目标图像;
步骤S104,将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;
步骤S106,确定目标图像和虚拟图像的像素点的特征值的差异值;
步骤S108,在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷。
通过上述步骤,采用获取待检测的反光表面的目标图像;将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;确定目标图像和虚拟图像的像素点的特征值的差异值;在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷的方式,达到了通过生成对抗网络识别目标图像是否存在缺陷的目的,从而实现了提高反光表面缺陷检测的准确率的技术效果,进而解决了相关技术中由于反光表面反光严重,严重影响表面缺陷的检测,导致检测准确率较低的技术问题。
上述反光表面为覆盖反光薄膜的金属表面。上述生成对抗网络为(GenerativeAdversarial Networks,GAN),包括判别器(Discriminator,D)和生成器(Generator,G)。是一种无监督学习网络,通过判别器和生成器的互相博弈学习,产生相当好的输出。通过GAN对反光表面的图像进行识别,可以大大提高识别的准确率,而且随着使用的时间增加,其准确率更高。
上述虚拟图像可以为上述生成器生成的图像,上述生成器用于根据对输入的反光表面的图像进行复原后的虚拟图像。判别器用于比较虚拟图像和目标图像是否相似。GAN模型还将上述目标图像与虚拟图像进行对比。通过局部二值模式(Local Binary Pattern,LBP)将目标图像与虚拟图像求差,确定二者像素点的特征值的差异值。
利用GAN的生成特性产生冰箱表面的缺陷样本,弥补样本的缺失,同时,LBP算法具有强大的光照鲁棒性,以此来解决薄膜的反光性。需要说明的是,上述差异值越小,说明虚拟图像与目标图像越相似,则目标图像没有缺陷。反之,上述差异值越大,说明虚拟图像与目标图像越不同,则目标图像存在缺陷。
在上述差异值小于预设阈值的情况下,认为上述目标图像的像素点没有缺陷,上述差异值大于预设阈值的情况下,认为上述目标图像的像素点存在缺陷,从而确定目标图像的像素点是否存在缺陷,进而确定目标图像是否存在缺陷,若存在缺陷,确定其缺陷的位置。从而对反光表面的图像进行缺陷检测。
可选的,图2是根据本发明实施例1的反光表面的缺陷检测方法详细步骤的流程图,如图2所示,步骤S104,在将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像之前,方法还包括:步骤S1000,确定无缺陷的反光表面为正样本;步骤S1002,对正样本进行缺陷处理,得到负样本;步骤S1004,将正样本输入生成对抗网络的判别器,将负样本输入生成对抗网络的生成器,以对生成对抗网络进行训练。
上述正样本也即是反光表面的无划痕图像,通过人工对正样本进行划痕添加,制造出具有缺陷的负样本。负样本也即是具有划痕的正样本的图像。
将正样本输入生成对抗网络GAN的判别器(Discriminator,D),同时将负样本输入GAN的生成器(Generator,G),由生成器生成对负样本进行划痕修复后的虚拟负样本。有判别器判别虚拟负样本与正样本是否为同一反光表面的无划痕图像。通过迭代,生成器和判别器互相学习和博弈。在GAN模型输出的正样本和虚拟负样本的比较数值小于预设比较数值的情况下,确定训练完成。
具体的,步骤S1004,将正样本输入生成对抗网络的判别器,将负样本输入生成对抗网络的生成器之后,方法还包括:步骤S1006,确定虚拟负样本和正样本的比较数值,其中,虚拟负样本为负样本输入生成器得到的虚拟负样本;步骤S1008,在比较数值小于预设比较数值的情况下,确定生成对抗网络训练完成。
可选的,步骤S106,确定目标图像和虚拟图像的像素点的特征值的差异值包括:步骤S1062,通过局部二值模式算法LBP,确定目标图像的像素点的第一特征值,以及虚拟图像的像素点的第二特征值;步骤S1064,对第一特征值和第二特征值求差取绝对值,得到目标图像和虚拟图像的像素点的特征值的差异值。
LBP的特征值是局部的特征值,根据采样点的像素点的数量的不同,那么产生的像素点的特征值数量也有变化。也即是在通过局部二值模式算法LBP,确定目标图像的像素点的第一特征值,以及虚拟图像的像素点的第二特征值之前,需要确定目标图像中采样点的像素点。
具体的,通过局部二值模式算法LBP,确定目标图像的像素点的第一特征值,以及虚拟图像的像素点的第二特征值,对第一特征值和第二特征值求差取绝对值,得到目标图像和虚拟图像的像素点的特征值的差异值。
则,步骤S108,在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷。
步骤S1066在差异值不超过预设阈值的情况下,确定目标图像在像素点不存在缺陷。
可选的,步骤S108,在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷之后,方法还包括:步骤S1082,根据目标图像中存在缺陷的多个像素点,确定目标图像中的缺陷位置和区域。
从而在目标图像具有缺陷的情况下,确定目标图像的缺陷形状和位置。以对反光表面的目标图像进行有效监测。
实施例2
本实施方式提供了一种基于生成对抗网络(Generative Adversarial Networks,GAN)和局部二值模式(Local Binary Pattern,LBP)的检测方法,利用GAN的生成特性产生冰箱表面的缺陷样本,弥补样本的缺失,同时,LBP算法具有强大的光照鲁棒性,以此来解决薄膜的反光性。用训练GAN的图片修复能力,这样可以完全不使用带有缺陷的样本参与训练,解决了工业生产中缺陷样本不足的难题。同时现有技术无法很好的对表面覆盖薄膜的金属进行表面划痕检测,本实施例引入LBP算法,完全忽略了光照对图像的影响,大幅提升了光照鲁棒性。
样本准备:收集带有薄膜的冰箱表面正样本(无划痕图像),人工对这些正样本进行划痕的添加,制造出一些人为产生的负样本(带有缺陷的样本)。
模型训练:图3是根据本发明实施例2的模型训练的示意图,如图3所示,将正样本输入生成对抗网络GAN的判别器(Discriminator,D),同时将负样本输入GAN的生成器(Generator,G),在比较数值小于预设阈值的情况下,完成训练。
缺陷检测:图4是根据本发明实施例2的图像识别的示意图,如图4所示,完成生成对抗网络GAN的训练后,将测试样本输入生成器(G),然后用局部二值模式算法(LBP)比较两个图像产生的LBP值,由此得出是否有缺陷。
缺陷定位:LBP的特征值是局部的特征值,根据采样点数的不同,那么产生的特征值数量也有变化,将x和y的每一个像素的特征值做差取绝对值,这个绝对值越小,那么这个区域产生缺陷的可能性越小,反之,可能性越大,通过这个方式可完成缺陷定位。
本实施例基于生成对抗网络的冰箱箱体缺陷检测解决方案,使用生成对抗网络GAN完成无缺陷样本的模型训练,也无需人工标注,大幅减少成本和模型准确性。在冰箱箱体表面检测算法中使用局部二值模式,有效提升模型光照鲁棒性,降低光照对检测结果的影响。
本实施例减少开发成本:使用该算法,无需产生大量的缺陷样本和大量的人力去做人工数据标注,节约人力物力。提升模型准确度:提升了模型在金属表面蒙上塑料薄膜时的检测准确性。
实施例3
图5是根据本发明实施例3的一种反光表面的缺陷检测装置的示意图,如图5所示,根据本发明实施例的另一方面,还提供了一种反光表面的缺陷检测装置,包括:获取模块52,生成模块54,差异模块56和确定模块58,下面对该装置进行详细说明。
获取模块52,用于获取待检测的反光表面的目标图像;生成模块54,与上述获取模块52相连,用于将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;差异模块56,与上述生成模块54相连,用于确定目标图像和虚拟图像的像素点的特征值的差异值;确定模块58,与上述差异模块56相连,在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷。
通过上述装置,采用获取待检测的反光表面的目标图像;将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;确定目标图像和虚拟图像的像素点的特征值的差异值;在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷的方式,达到了通过生成对抗网络识别目标图像是否存在缺陷的目的,从而实现了提高反光表面缺陷检测的准确率的技术效果,进而解决了相关技术中由于反光表面反光严重,严重影响表面缺陷的检测,导致检测准确率较低的技术问题。
上述装置还包括:第二确定模块,用于确定无缺陷的反光表面为正样本;处理模块,用于对正样本进行缺陷处理,得到负样本;训练模块,用于将正样本输入生成对抗网络的判别器,将负样本输入生成对抗网络的生成器,以对生成对抗网络进行训练。
上述装置还包括:第三确定模块,用于确定虚拟负样本和正样本的比较数值,其中,虚拟负样本为负样本输入生成器得到的虚拟负样本;第四确定模块,用于在比较数值小于预设比较数值的情况下,确定生成对抗网络训练完成。
上述确定模块包括:确定单元,用于通过局部二值模式算法LBP,确定目标图像的像素点的第一特征值,以及虚拟图像的像素点的第二特征值;求差单元,用于对第一特征值和第二特征值求差取绝对值,得到目标图像和虚拟图像的像素点的特征值的差异值。
上述装置还包括:第三确定模块,用于在差异值不超过预设阈值的情况下,确定目标图像在像素点不存在缺陷。
上述装置还包括:第四确定模块,用于根据目标图像中存在缺陷的多个像素点,确定目标图像中的缺陷位置和区域。
上述反光表面为覆盖反光薄膜的金属表面。
实施例4
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行以下步骤。
获取待检测的反光表面的目标图像;将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;确定目标图像和虚拟图像的像素点的特征值的差异值;在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷。
作为一种可选的实施例,在将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像之前,方法还包括:确定无缺陷的反光表面为正样本;对正样本进行缺陷处理,得到负样本;将正样本输入生成对抗网络的判别器,将负样本输入生成对抗网络的生成器,以对生成对抗网络进行训练。
作为一种可选的实施例,将正样本输入生成对抗网络的判别器,将负样本输入生成对抗网络的生成器之后,方法还包括:确定虚拟负样本和正样本的比较数值,其中,虚拟负样本为负样本输入生成器得到的虚拟负样本;在比较数值小于预设比较数值的情况下,确定生成对抗网络训练完成。
作为一种可选的实施例,确定目标图像和虚拟图像的像素点的特征值的差异值包括:通过局部二值模式算法LBP,确定目标图像的像素点的第一特征值,以及虚拟图像的像素点的第二特征值;对第一特征值和第二特征值求差取绝对值,得到目标图像和虚拟图像的像素点的特征值的差异值。
作为一种可选的实施例,方法还包括:在差异值不超过预设阈值的情况下,确定目标图像在像素点不存在缺陷。
作为一种可选的实施例,在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷之后,方法还包括:根据目标图像中存在缺陷的多个像素点,确定目标图像中的缺陷位置和区域。
作为一种可选的实施例,反光表面为覆盖反光薄膜的金属表面。
实施例5
根据本发明实施例的另一方面,还提供了一种计算机存储介质,计算机存储介质包括存储的程序,其中,在程序运行时控制计算机存储介质所在设备执行以下步骤。
获取待检测的反光表面的目标图像;将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像;确定目标图像和虚拟图像的像素点的特征值的差异值;在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷。
作为一种可选的实施例,在将目标图像输入生成对抗网络的生成器,生成目标图像的虚拟图像之前,方法还包括:确定无缺陷的反光表面为正样本;对正样本进行缺陷处理,得到负样本;将正样本输入生成对抗网络的判别器,将负样本输入生成对抗网络的生成器,以对生成对抗网络进行训练。
作为一种可选的实施例,将正样本输入生成对抗网络的判别器,将负样本输入生成对抗网络的生成器之后,方法还包括:确定虚拟负样本和正样本的比较数值,其中,虚拟负样本为负样本输入生成器得到的虚拟负样本;在比较数值小于预设比较数值的情况下,确定生成对抗网络训练完成。
作为一种可选的实施例,确定目标图像和虚拟图像的像素点的特征值的差异值包括:通过局部二值模式算法LBP,确定目标图像的像素点的第一特征值,以及虚拟图像的像素点的第二特征值;对第一特征值和第二特征值求差取绝对值,得到目标图像和虚拟图像的像素点的特征值的差异值。
作为一种可选的实施例,方法还包括:在差异值不超过预设阈值的情况下,确定目标图像在像素点不存在缺陷。
作为一种可选的实施例,在差异值超过预设阈值的情况下,确定目标图像在像素点存在缺陷之后,方法还包括:根据目标图像中存在缺陷的多个像素点,确定目标图像中的缺陷位置和区域。
作为一种可选的实施例,反光表面为覆盖反光薄膜的金属表面。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种反光表面的缺陷检测方法,其特征在于,包括:
获取待检测的反光表面的目标图像;
将所述目标图像输入生成对抗网络的生成器,生成所述目标图像的虚拟图像;
确定所述目标图像和所述虚拟图像的像素点的特征值的差异值;
在所述差异值超过预设阈值的情况下,确定所述目标图像在所述像素点存在缺陷。
2.根据权利要求1所述的方法,其特征在于,在将所述目标图像输入生成对抗网络的生成器,生成所述目标图像的虚拟图像之前,所述方法还包括:
确定无缺陷的反光表面为正样本;
对所述正样本进行缺陷处理,得到负样本;
将所述正样本输入所述生成对抗网络的判别器,将所述负样本输入所述生成对抗网络的生成器,以对所述生成对抗网络进行训练。
3.根据权利要求2所述的方法,其特征在于,将所述正样本输入所述生成对抗网络的判别器,将所述负样本输入所述生成对抗网络的生成器之后,所述方法还包括:
确定虚拟负样本和所述正样本的比较数值,其中,所述虚拟负样本为所述负样本输入所述生成器得到的虚拟负样本;
在所述比较数值小于预设比较数值的情况下,确定所述生成对抗网络训练完成。
4.根据权利要求1所述的方法,其特征在于,确定所述目标图像和所述虚拟图像的像素点的特征值的差异值包括:
通过局部二值模式算法LBP,确定所述目标图像的像素点的第一特征值,以及所述虚拟图像的像素点的第二特征值;
对所述第一特征值和所述第二特征值求差取绝对值,得到所述目标图像和所述虚拟图像的像素点的特征值的差异值。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在所述差异值不超过预设阈值的情况下,确定所述目标图像在所述像素点不存在缺陷。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,在所述差异值超过预设阈值的情况下,确定所述目标图像在所述像素点存在缺陷之后,所述方法还包括:
根据所述目标图像中存在缺陷的多个像素点,确定所述目标图像中的缺陷位置和区域。
7.根据权利要求1至5中任意一项所述的方法,其特征在于,所述反光表面为覆盖反光薄膜的金属表面。
8.一种反光表面的缺陷检测装置,其特征在于,包括:
获取模块,用于获取待检测的反光表面的目标图像;
生成模块,用于将所述目标图像输入生成对抗网络的生成器,生成所述目标图像的虚拟图像;
差异模块,用于确定所述目标图像和所述虚拟图像的像素点的特征值的差异值;
确定模块,在所述差异值超过预设阈值的情况下,确定所述目标图像在所述像素点存在缺陷。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的反光表面的缺陷检测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机存储介质所在设备执行权利要求1至7中任意一项所述的反光表面的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741557.0A CN113570549A (zh) | 2021-06-30 | 2021-06-30 | 反光表面的缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741557.0A CN113570549A (zh) | 2021-06-30 | 2021-06-30 | 反光表面的缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570549A true CN113570549A (zh) | 2021-10-29 |
Family
ID=78163283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110741557.0A Pending CN113570549A (zh) | 2021-06-30 | 2021-06-30 | 反光表面的缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570549A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252453A (zh) * | 2021-12-29 | 2022-03-29 | 清远加多宝草本植物科技有限公司 | 一种检测系统及检测方法 |
CN117333383A (zh) * | 2023-09-07 | 2024-01-02 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法、装置和设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111307817A (zh) * | 2020-02-12 | 2020-06-19 | 武汉大学 | 一种智能产线pcb生产过程的在线检测方法及系统 |
CN111398271A (zh) * | 2020-01-10 | 2020-07-10 | 武汉大学 | 一种针对激光近净成形缺陷的检测优化系统及方法 |
CN111724372A (zh) * | 2020-06-19 | 2020-09-29 | 深圳新视智科技术有限公司 | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 |
CN111798409A (zh) * | 2020-05-19 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的pcb缺陷数据生成方法 |
CN111815555A (zh) * | 2020-05-22 | 2020-10-23 | 武汉大学深圳研究院 | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 |
US20200364842A1 (en) * | 2019-05-13 | 2020-11-19 | Fujitsu Limited | Surface defect identification method and apparatus |
US20210034961A1 (en) * | 2019-07-29 | 2021-02-04 | Autodesk, Inc. | Defect removal from manufactured objects having morphed surfaces |
CN112528975A (zh) * | 2021-02-08 | 2021-03-19 | 常州微亿智造科技有限公司 | 工业质检方法、装置和计算机可读存储介质 |
-
2021
- 2021-06-30 CN CN202110741557.0A patent/CN113570549A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20200364842A1 (en) * | 2019-05-13 | 2020-11-19 | Fujitsu Limited | Surface defect identification method and apparatus |
US20210034961A1 (en) * | 2019-07-29 | 2021-02-04 | Autodesk, Inc. | Defect removal from manufactured objects having morphed surfaces |
CN111398271A (zh) * | 2020-01-10 | 2020-07-10 | 武汉大学 | 一种针对激光近净成形缺陷的检测优化系统及方法 |
CN111307817A (zh) * | 2020-02-12 | 2020-06-19 | 武汉大学 | 一种智能产线pcb生产过程的在线检测方法及系统 |
CN111798409A (zh) * | 2020-05-19 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的pcb缺陷数据生成方法 |
CN111815555A (zh) * | 2020-05-22 | 2020-10-23 | 武汉大学深圳研究院 | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 |
CN111724372A (zh) * | 2020-06-19 | 2020-09-29 | 深圳新视智科技术有限公司 | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 |
CN112528975A (zh) * | 2021-02-08 | 2021-03-19 | 常州微亿智造科技有限公司 | 工业质检方法、装置和计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
NAIGONG YU 等: "Defect Detection of Rubber Gloves Based on Normal Samples", 《2021 IEEE 6TH INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND BIG DATA ANALYTICS》 * |
王健;王凯;刘刚;周文青;周子凯;: "基于生成对抗网络和RetinaNet的销钉缺陷识别", 《华南理工大学学报(自然科学版)》 * |
陈金贵;刁福林;陈昊;: "汽车卡钳表面缺陷检测方法研究", 《中国科技论文》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252453A (zh) * | 2021-12-29 | 2022-03-29 | 清远加多宝草本植物科技有限公司 | 一种检测系统及检测方法 |
CN117333383A (zh) * | 2023-09-07 | 2024-01-02 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7277997B2 (ja) | ディープラーニングに基づいた自動車部位別の破損程度の自動判定システムおよび方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109741328B (zh) | 一种基于生成式对抗网络的汽车表观质量检测方法 | |
CN107330453B (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
US20070182739A1 (en) | Method of and system for determining a data model designed for being superposed with an image of a real object in an object tracking process | |
CN108986075A (zh) | 一种优选图像的判断方法及装置 | |
CN108629370B (zh) | 一种基于深度置信网络的分类识别算法及装置 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN113570549A (zh) | 反光表面的缺陷检测方法及装置 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN109741268B (zh) | 一种针对壁画的破损图像补全方法 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN115063409A (zh) | 一种机械刀具表面材质检测方法及系统 | |
US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN114170144A (zh) | 一种输电线路销钉缺陷检测方法、设备及介质 | |
CN115330734A (zh) | 一种基于三维目标检测和点云缺陷补全的自动化机器人补焊系统 | |
CN114881998A (zh) | 一种基于深度学习的工件表面缺陷检测方法及系统 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
CN111539250B (zh) | 一种基于神经网络的图像雾浓度估计方法、系统和终端 | |
TWI747686B (zh) | 缺陷檢測方法及檢測裝置 |
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 |