CN114596243A - 缺陷检测方法、装置、设备及计算机可读存储介质 - Google Patents

缺陷检测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114596243A
CN114596243A CN202011400423.4A CN202011400423A CN114596243A CN 114596243 A CN114596243 A CN 114596243A CN 202011400423 A CN202011400423 A CN 202011400423A CN 114596243 A CN114596243 A CN 114596243A
Authority
CN
China
Prior art keywords
defect
type
target detection
detection object
trained
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
Application number
CN202011400423.4A
Other languages
English (en)
Inventor
黄建峰
林义闽
易万鑫
廉士国
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.)
China United Network Communications Group Co Ltd
Unicom Big Data Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Unicom Big Data 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 China United Network Communications Group Co Ltd, Unicom Big Data Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011400423.4A priority Critical patent/CN114596243A/zh
Publication of CN114596243A publication Critical patent/CN114596243A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本公开提供一种缺陷检测方法、装置、设备及计算机可读存储介质，方法包括：获取图像采集装置采集的目标检测物的原始图像；采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息；根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息。由于在类型检测模型确定目标检测物的类型后，能够调用与该类型对应的缺陷识别模型，且该缺陷识别模型是通过将缺陷按照大小、强度和形状进行分类后训练得到的，能够学习不同种类缺陷的特征，因此能够更加准确地对目标检测物的缺陷进行识别，从而提高了缺陷检测的准确率。

Description

缺陷检测方法、装置、设备及计算机可读存储介质
技术领域
本公开涉及图像处理领域，尤其涉及一种缺陷检测方法、装置、设备及计算机可读存储介质。
背景技术
随着自动化技术的飞速发展，工业生产产品的自动化程度越来越高，产品出现缺陷不可避免。为了提高自动化生产的有效性，保证出厂产品的质量，需要对产品进行缺陷检测。
为了实现对产品进行缺陷检测，保证产品的质量，现有技术中一般采用一个通用的模型对产品进行缺陷识别。具体地，可以将产品对应的图像输入通用的模型中，得到产品的缺陷信息。
但是，采用上述方法对产品进行缺陷检测的过程中，由于产品类型较多，因此通用模型无法对产品缺陷进行精准识别。
发明内容
本公开提供一种缺陷检测方法、装置、设备及计算机可读存储介质，用于解决现有的缺陷检测方法采用的通用模型无法对产品缺陷进行精准识别的技术问题。
本公开的第一个方面是提供一种缺陷检测方法，包括：
获取图像采集装置采集的目标检测物的原始图像；
采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息；
根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息。
可选的，所述采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息之前，包括：
从数据库中获取预设的类型待训练数据集，所述类型待训练数据集中包括多组类型待训练数据，每一组类型待训练数据中包括待训练原始图像以及所述待训练原始图像对应的类型；
通过所述类型待训练数据集对预设的类型待训练模型进行训练，获得所述类型检测模型。
可选的，所述根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息之前，包括：
从数据库中获取预设的缺陷待训练数据集，所述缺陷待训练数据集中包括多组缺陷待训练数据，每一组缺陷待训练数据中包括待训练缺陷图像以及所述待训练缺陷图像对应的缺陷类别；
通过所述缺陷待训练数据集对缺陷待训练模型进行训练，获得缺陷识别模型。
可选的，所述根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息，包括：
将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，其中，所述缺陷信息包括所述目标检测物是否存在缺陷，以及所述目标检测物对应的缺陷位置以及缺陷类别。
可选的，所述将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，包括：
将所述原始图像输入所述目标缺陷识别模型，得到所述原始图像的分割图和缺陷数值；
根据所述缺陷数值判断所述目标检测物是否存在缺陷；
若存在缺陷，根据所述缺陷数值判断所述缺陷的类别，并根据所述分割图确定所述缺陷的位置。
可选的，所述根据所述缺陷数值判断所述目标检测物是否存在缺陷，包括：
若所述缺陷数值大于第一阈值且不大于第二阈值，则所述目标检测物在所述原始图像的区域内存在缺陷；其中，所述第一阈值小于所述第二阈值；
若所述缺陷数值大于所述第二阈值，则所述目标检测物在所述原始图像的区域内不存在缺陷。
可选的，所述根据所述缺陷数值判断所述缺陷的类别，包括：
若所述缺陷数值大于所述第一阈值且不大于第三阈值，则所述缺陷的类别为第一类缺陷；其中，所述第三阈值大于所述第一阈值且小于所述第二阈值；
若所述缺陷数值大于所述第三阈值且不大于第四阈值，则所述缺陷的类别为第二类缺陷；其中，所述第四阈值大于所述第三阈值且小于所述第二阈值；
若所述缺陷数值大于所述第四阈值且不大于所述第二阈值，则所述缺陷的类别为第三类缺陷。
可选的，所述根据所述分割图确定所述缺陷的位置，包括：
根据所述分割图，确定所述分割图内像素值最高的像素点，所述像素点的坐标为所述缺陷的位置。
可选的，所述根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别之后，还包括：
若所述目标检测物存在缺陷，则将所述缺陷信息发送至预设的显示装置进行显示，和/或，进行报警提示。
本公开的第二个方面是提供一种缺陷检测装置，包括：
获取模块，用于获取图像采集装置采集的目标检测物的原始图像；
类型检测模块，用于采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息；
缺陷检测模块，用于根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息。
可选的，所述缺陷检测装置还包括：
类型待训练数据集获取模块，用于从数据库中获取预设的类型待训练数据集，所述类型待训练数据集中包括多组类型待训练数据，每一组类型待训练数据中包括待训练原始图像以及所述待训练原始图像对应的类型；
类型检测模型获取模块，用于通过所述类型待训练数据集对预设的类型待训练模型进行训练，获得所述类型检测模型。
可选的，所述缺陷检测装置还包括：
缺陷待训练数据集获取模块，用于从数据库中获取预设的缺陷待训练数据集，所述缺陷待训练数据集中包括多组缺陷待训练数据，每一组缺陷待训练数据中包括待训练缺陷图像以及所述待训练缺陷图像对应的缺陷类别；
缺陷识别模型获取模块，用于通过所述缺陷待训练数据集对缺陷待训练模型进行训练，获得缺陷识别模型。
可选的，所述缺陷检测模块用于：
将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，其中，所述缺陷信息包括所述目标检测物是否存在缺陷，以及所述目标检测物对应的缺陷位置以及缺陷类别。
可选的，所述缺陷检测模块包括：
获取单元，用于将所述原始图像输入所述目标缺陷识别模型，得到所述原始图像的分割图和缺陷数值；
缺陷判断单元，用于根据所述缺陷数值判断所述目标检测物是否存在缺陷；
处理单元，用于若存在缺陷，根据所述缺陷数值判断所述缺陷的类别，并根据所述分割图确定所述缺陷的位置。
可选的，所述缺陷判断单元用于：
若所述缺陷数值大于第一阈值且不大于第二阈值，则所述目标检测物在所述原始图像的区域内存在缺陷；其中，所述第一阈值小于所述第二阈值；
若所述缺陷数值大于所述第二阈值，则所述目标检测物在所述原始图像的区域内不存在缺陷。
可选的，所述处理单元用于：
若所述缺陷数值大于所述第一阈值且不大于第三阈值，则所述缺陷的类别为第一类缺陷；其中，所述第三阈值大于所述第一阈值且小于所述第二阈值；
若所述缺陷数值大于所述第三阈值且不大于第四阈值，则所述缺陷的类别为第二类缺陷；其中，所述第四阈值大于所述第三阈值且小于所述第二阈值；
若所述缺陷数值大于所述第四阈值且不大于所述第二阈值，则所述缺陷的类别为第三类缺陷。
可选的，所述处理单元还用于：
根据所述分割图，确定所述分割图内像素值最高的像素点，所述像素点的坐标为所述缺陷的位置。
可选的，所述缺陷检测装置还包括：
提示模块，用于若所述目标检测物存在缺陷，则将所述缺陷信息发送至预设的显示装置进行显示，和/或，进行报警提示。
本公开的第三个方面是提供一种缺陷检测设备，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器用于调用所述存储器中的程序指令执行如第一方面所述的缺陷检测方法。
本公开的第四个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的缺陷检测方法。
本公开提供的缺陷检测方法、装置、设备及计算机可读存储介质，通过采用预设的类型检测模型对目标检测物的原始图像的类型进行检测，得到目标检测物的类型信息，进而可以根据目标检测物的类型信息采用与类型信息对应的目标缺陷识别模型，对目标检测物进行缺陷识别，获得目标检测物对应的缺陷信息。由于在类型检测模型确定目标检测物的类型后，能够调用与该类型对应的缺陷识别模型，且该缺陷识别模型是通过将缺陷按照大小、强度和形状进行分类后训练得到的，能够学习不同种类缺陷的特征，因此能够更加准确地对目标检测物的缺陷进行识别，从而提高了缺陷检测的准确率。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本公开基于的网络架构示意图；
图2为本公开实施例提供的缺陷检测方法的流程示意图；
图3为本实施例提供的缺陷检测示意图；
图4为本公开又一实施例提供的缺陷检测方法的流程示意图；
图5为本公开再一实施例提供的缺陷检测方法的流程示意图；
图6为本公开另一实施例提供的缺陷检测方法的流程示意图；
图7为本公开实施例提供的缺陷类型示意图；
图8为本公开实施例提供的缺陷检测装置的结构示意图；
图9为本公开又一实施例提供的缺陷检测装置的结构示意图；
图10为本公开再一实施例提供的缺陷检测装置的结构示意图；
图11为本公开另一实施例提供的缺陷检测装置的结构示意图；
图12为本公开实施例提供的缺陷检测设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例所获得的所有其他实施例，都属于本公开保护的范围。
针对上述提及的现有的缺陷检测方法采用的通用模型无法对产品缺陷进行精准识别的技术问题，本公开提供了一种缺陷检测方法、装置、设备及计算机可读存储介质。
需要说明的是，本公开提供的缺陷检测控制方法、装置、设备及计算机可读存储介质可运用在各种缺陷检测的场景中。
现有技术中，为了实现对产品进行缺陷检测，一般采用一个通用的模型对产品进行缺陷识别。在将产品对应的图像输入通用的模型中后，能够得到产品的缺陷信息。但是，由于产品类型较多，不同类型产品的缺陷类型和标准也不一样，因此，采用上述方法对产品进行缺陷检测时，往往会导致无法对产品缺陷进行精准识别。
在解决上述技术问题的过程中，发明人通过研究发现，为了能够实现对不同类型的产品进行精确的缺陷识别，需要对产品进行分类，针对每一类的产品采用对应的缺陷识别模型进行缺陷识别。具体地，由于不同产品的材质、纹理和颜色不同，因此可以训练一个类型检测模型，利用产品的材质、纹理和颜色对产品进行分类。由于同一类型产品的缺陷的大小、强度和形状不同，因此，可以针对每一类型的产品训练一个对应的缺陷识别模型，利用缺陷的大小、强度和形状对产品的缺陷进行识别。
图1为本公开基于的网络架构示意图，如图1所示，本公开基于的网络架构至少包括：显示设备1以及服务器2，其中，服务器2中设置有缺陷检测装置。该缺陷检测装置采用C/C++、Java、Shell或Python等语言编写；显示设备1则可例如台式电脑、平板电脑等。该显示设备1与服务器2通信连接，从而显示设备1能够与服务器2进行信息交互。下面以具体地实施例本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本公开实施例提供的缺陷检测方法的流程示意图，如图2所示，所述方法包括：
步骤101、获取图像采集装置采集的目标检测物的原始图像。
本实施例的执行主体为缺陷检测装置，该图像处理装置设置在服务器中，该服务器可以与终端设备通信连接，从而能够与终端设备进行信息交互。
在本实施方式中，在图像采集装置采集目标检测物的图像时，可能由于目标检测物尺寸的影响，导致图像采集装置无法通过一次采集获取目标检测物整体的原始图像。因此，在原始图像采集过程中，目标被检测物可以按照一定的速度移动，包括水平方向移动和竖直方向移动，图像采集装置可以按一定的时间间隔每次采集目标被检测物上固定大小区域对应的原始子图像，经过多次采集，得到目标检测物所有区域对应的原始子图像。将目标检测物所有的原始子图像拼接在一起，得到目标检测物的原始图像。
以目标检测物为黑色牛皮为例，当该黑色牛皮的长a为100米，宽b为50米时，由于其尺寸较大，图像采集装置不能一次采集到整张黑色牛皮对应的原始图像。因此，在采集原始图像时，该黑色牛皮可以按照2.5cm/s的速度沿b的方向移动，图像采集装置可以按照10s的时间间隔对该黑色牛皮进行图像采集，每次采集一块25cm*25cm区域的原始子图像，经过20次采集后采集到靠近b边的50m*25cm区域的原始子图像，此时，使黑色牛皮按照2.5cm/s的速度沿a运动10s，然后继续沿b的方向以2.5cm/s的速度运动，黑色牛皮按照这种规则呈S型按照2.5cm/s的速度运动，直至图像采集装置采集到整张黑色牛皮所有区域的原始子图像。按照采集的顺序和黑色牛皮的运动规律，将所有的原始子图像拼接成整张黑色牛皮对应的原始图像。
具体地，缺陷检测装置可以按照预设的时间周期从图像采集装置获取目标检测物的全部原始图像。也可以响应于用户的触发操作，从图像采集装置获取目标检测物的全部原始图像，本公开对此不做限制。
进一步的，图像采集装置可以为摄像机等能够采集图像信息的设备。
步骤102、采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息。
在本实施方式中，由于不同种类的目标检测物对应的材质、纹理和颜色各不相同，因此可以利用目标检测物的材质、纹理和颜色特征对目标检测物进行分类。
具体地，可以通过检测该目标检测物的原始图像中包含的材质、纹理和颜色信息，从而确定该目标检测物所属的类型信息。
进一步地，可以利用预设的类型检测模型来检测原始图像对应的类型信息，得到的原始图像的类型信息即为目标检测物的类型信息。类型信息包括材质、纹理和颜色。
步骤103、根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息。
在本实施方式中，由于不同种类目标检测物的缺陷特征是不同的，比如玻璃的缺陷特征和牛皮的缺陷特征完全不同，因此对目标检测物的缺陷进行识别前，需要根据目标检测物的类型信息选择与该目标检测物对应的缺陷识别模型，从而能够实现对该目标检测物进行精确地缺陷识别。
具体地，每一类目标检测物对应一个缺陷识别模型。在确定目标检测物的类型信息后，缺陷检测装置能够自动调用与该类目标检测物对应的缺陷识别模型对目标检测物的缺陷进行识别。
图3为本实施例提供的缺陷检测示意图，如图3所示左图为目标检测物的原始图像，该原始图像输入类型检测模型后能输出目标检测物对应的类型，根据目标检测物的类型能够调用与该目标检测物的类型对应的缺陷识别模型，从而得到目标检测物的缺陷识别信息。
本实施例提供的缺陷检测方法，由于不同类型目标检测物的缺陷特征不同，因此通过对目标检测物进行分类，根据目标检测物的类型调用对应的缺陷识别模型，对目标检测物进行缺陷识别，从而能够实现对每一类的目标检测物采用与其特征相符的缺陷识别模型，从而提高了缺陷识别的准确性。
图4为本公开又一实施例提供的缺陷检测方法的流程示意图，如图4所示，在上述实施例的基础上，步骤102之前，还包括：
步骤201、从数据库中获取预设的类型待训练数据集，所述类型待训练数据集中包括多组类型待训练数据，每一组类型待训练数据中包括待训练原始图像以及所述待训练原始图像对应的类型。
步骤202、通过所述类型待训练数据集对预设的类型待训练模型进行训练，获得所述类型检测模型。
在本实施例中，由于不同种类的目标检测物对应的材质、纹理和颜色各不相同，因此在对目标检测物进行分类时，需要利用类型检测模型，该类型检测模型需要对类型待训练模型进行训练得到。由于类型检测模型的输入是目标检测物的原始图像，输出为目标检测物的类型信息，因此类型待训练模型需要以原始图像为输入，类型信息为输出进行训练。
其中，该类型待训练模型可以为分类卷积神经网络模型，比如mobilenet网络模型和shufflenet网络模型，也可以为其他任意一种能够实现类型检测的网络模型，本公开对此不做限制。
本实施例提供的缺陷检测方法，通过利用不同种类目标检测物的原始图像和目标检测物对应的材质、纹理和颜色等类型信息对类型待训练模型进行训练，因此训练得到类型检测模型能够识别不同类型的目标被检测物，从而能够提高类型检测的准确性。
图5为本公开再一实施例提供的缺陷检测方法的流程示意图，如图5所示，在上述任一实施例的基础上，步骤103之前，还包括：
步骤301、从数据库中获取预设的缺陷待训练数据集，所述缺陷待训练数据集中包括多组缺陷待训练数据，每一组缺陷待训练数据中包括待训练缺陷图像以及所述待训练缺陷图像对应的缺陷类别。
步骤302、通过所述缺陷待训练数据集对缺陷待训练模型进行训练，获得缺陷识别模型。
在本实施例中，由于对于同一类型的目标检测物，其缺陷的大小、强度和形状并不相同，比如对于牛皮的缺陷有点状缺陷，线状缺陷以及面状缺陷，每种缺陷的大小、强度和形状并不相同，因此在对目标检测物进行缺陷识别时，需要利用缺陷识别模型，该缺陷识别模型需要对缺陷待训练模型进行训练得到。
具体地，对于同一类型的目标检测物的原始图像，将其缺陷按照大小、强度和形状进行分类。分类完成后，获取每一类缺陷原始图像的分割图，将原始图像作为输入，将分割图和缺陷数值作为输出，训练缺陷待训练模型作为该类被检测物对应的缺陷识别网络。训练获得的缺陷识别网络，能够根据输入的目标检测物的原始图像得到该原始图像的缺陷数值。根据缺陷数值能够判断目标检测物是否存在缺陷，缺陷的类型以及缺陷的位置。
在实际应用中，还可以对每一类的缺陷分别训练一个缺陷识别模型，使每一类目标检测物的每一类缺陷对应一个缺陷识别模型。缺陷待训练模型可以为检测卷积神经网络模型，比如fast-RCNN网络模型和mask-RCNN网络模型，也可以为其他任意一种能够实现缺陷识别的网络模型，本公开对此不做限制。
本实施例提供的缺陷检测方法，通过针对不同类型的目标检测物分别训练不同的缺陷识别网络，从而使每种目标检测物都有相应的缺陷识别网络，从而提高了缺陷识别的准确率。进一步地，针对每一类目标检测物考虑缺陷的大小、强度和形状，在对缺陷按照大小、强度和形状分类后训练缺陷待训练模型，使得训练得到的缺陷识别模型能够准确地检测不同种类的缺陷，进一步地提高了缺陷识别的准确性。
图6为本公开另一实施例提供的缺陷检测方法的流程示意图，如图6所示，在上述任一实施例的基础上，步骤103包括：将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，其中，所述缺陷信息包括所述目标检测物是否存在缺陷，以及所述目标检测物对应的缺陷位置以及缺陷类别。
进一步地，步骤103具体包括：
步骤401、将所述原始图像输入所述目标缺陷识别模型，得到所述原始图像的分割图和缺陷数值。
步骤402、根据所述缺陷数值判断所述目标检测物是否存在缺陷。
步骤403、若存在缺陷，根据所述缺陷数值判断所述缺陷的类别，并根据所述分割图确定所述缺陷的位置。
在本实施例中，将目标检测物的原始图像输入与目标检测物的类型对应的目标缺陷识别模型后，能够得到目标检测物原始图像的分割图和缺陷数值。具体地，缺陷识别模型通过对原始图像进行卷积和池化等一系列操作，在缺陷识别模型的中间层得到原始图像对应的分割图，在顶层得到原始图像的缺陷数值，并输出得到的分割图和缺陷数值。
具体地，缺陷数值能够表征目标检测物的缺陷情况，在一定范围内缺陷数值越大，表征缺陷越严重，超过一定范围，表征不存在缺陷。即在一定的范围内缺陷数值越大，表征缺陷的面积越大，缺陷的程度越大。因此根据缺陷数值能够判断目标检测物是否存在缺陷和缺陷的类别。当目标检测物有缺陷时，其原始图像的分割图中缺陷位置的颜色更深，像素值更大，因此能够根据像素值与周围像素点差异较大的像素点的位置确定缺陷的位置。
本实施例提供的缺陷检测方法，通过将目标检测物的原始图像输入对应的缺陷识别模型，能够得到原始图像的分割图和缺陷数值。由于缺陷数值能够准确地表征缺陷的程度，因此根据缺陷数值能够准确地判断目标检测物是否存在缺陷以及缺陷的类别。由于分割图中像素值异常的像素点的位置能够准确地表征缺陷的位置，因此根据分割图能够方便快捷且准确地确定缺陷的位置，从而提高了缺陷检测的效率和准确率。
本公开又一实施例提供的缺陷检测方法，在上述任一实施例的基础上，步骤402包括：若所述缺陷数值大于第一阈值且不大于第二阈值，则所述目标检测物在所述原始图像的区域内存在缺陷；其中，所述第一阈值小于所述第二阈值；若所述缺陷数值大于所述第二阈值，则所述目标检测物在所述原始图像的区域内不存在缺陷。
在本实施例中，由于缺陷数值能够表征目标检测物的缺陷情况，在一定范围内缺陷数值越大，表征缺陷越严重，超过一定范围，表征不存在缺陷。因此，可以根据缺陷数值的范围判断目标检测物是否存在缺陷。以目标检测物为黑色牛皮为例，当缺陷数值大于0小于100时表示该黑色牛皮存在缺陷，当缺陷数值大于100时，表示该黑色牛皮正常。
进一步地，步骤403包括：若所述缺陷数值大于所述第一阈值且不大于第三阈值，则所述缺陷的类别为第一类缺陷；其中，所述第三阈值大于所述第一阈值且小于所述第二阈值；若所述缺陷数值大于所述第三阈值且不大于第四阈值，则所述缺陷的类别为第二类缺陷；其中，所述第四阈值大于所述第三阈值且小于所述第二阈值；若所述缺陷数值大于所述第四阈值且不大于所述第二阈值，则所述缺陷的类别为第三类缺陷。
在本实施例中，由于在一定的范围内缺陷数值越大，表征缺陷的面积越大，缺陷的程度越大。因此，在目标检测物存在缺陷时，可以根据缺陷数值所在的范围判断目标检测物缺陷的类型。且在某一类缺陷的缺陷数值范围内，缺陷数值越大，表征缺陷程度越大。仍以目标检测物为黑色牛皮为例，当缺陷数值落入0-30的范围内，表示黑色牛皮存在点缺陷；当缺陷数值落入30-60的范围内，表示黑色牛皮存在线缺陷；当缺陷数值落入60-100的范围内，表示黑色牛皮存在面缺陷。
图7为本公开实施例提供的缺陷类型示意图，如图7所示，左图为点状缺陷示意图，点状缺陷的缺陷面积较小，缺陷程度也较小。中图为线状缺陷示意图，线状缺陷的缺陷形状为线状连续型，可视为多个点状缺陷的集合，因此对应的缺陷数值比点状缺陷的缺陷数值大。右图为面状缺陷示意图，面状缺陷可视为多个线状缺陷或者点状缺陷的集合，因此面状缺陷对应的缺陷数值比线状缺陷的缺陷数值大。
进一步地，步骤403还包括：根据所述分割图，确定所述分割图内像素值最高的像素点，所述像素点的坐标为所述缺陷的位置。
在本实施例中，原始图像经过缺陷识别模型后，可以得到一个分割图，分割图中有缺陷的位置像素值比正常位置的像素值高。分割图实质是一个二维数组img[i,j]，其中，(i,j)是像素点的坐标，img[i,j]是坐标为(i,j)的像素点对应的像素值。因此，根据分割图能够得到像素值较高的像素点，根据这些像素点能够对应得到其坐标，该坐标即为缺陷位置。
本实施例提供的缺陷检测方法，通过利用原始图像的分割图和缺陷数值来获取目标检测物的缺陷信息。由于缺陷数值能够准确地表征缺陷的程度，因此根据缺陷数值能够准确地判断目标检测物是否存在缺陷以及缺陷的类别。由于分割图中像素值异常的像素点的位置能够准确地表征缺陷的位置，因此根据分割图能够方便快捷且准确地确定缺陷的位置，从而提高了缺陷检测的效率和准确率。
本公开又一实施例提供的缺陷检测方法，在上述任一实施例的基础上，所述方法还包括：若所述目标检测物存在缺陷，则将所述缺陷信息发送至预设的显示装置进行显示，和/或，进行报警提示。
在本实施例中，若缺陷检测装置根据缺陷数值确定目标检测物存在缺陷，能够将目标检测物的缺陷类型，缺陷位置显示在显示装置上，显示装置可以为台式电脑、平板电脑、手机等电子设备。
可选的，缺陷检测装置还可以控制显示设备进行声、光报警提示，还可以对有缺陷的目标检测物的原始图像进行自动存储，以方便进行历史查询。
本实施例提供的缺陷检测方法，通过对目标检测物的缺陷位置和缺陷类型进行显示，在目标检测物存在缺陷时进行报警等操作，提升了用户体验感，使用户能够直观找到存在缺陷的目标检测物，并能够便捷的在存在缺陷的目标检测物上找到缺陷的位置，从而提高了用户的工作效率。
图8为本公开实施例提供的缺陷检测装置的结构示意图，如图8所示，所述缺陷检测装置包括：获取模块81，类型检测模块82，缺陷检测模块83。
其中：
获取模块81，用于获取图像采集装置采集的目标检测物的原始图像。
类型检测模块82，用于采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息。
缺陷检测模块83，用于根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息。
本实施例提供的缺陷检测装置，由于不同类型目标检测物的缺陷特征不同，因此通过对目标检测物进行分类，根据目标检测物的类型调用对应的缺陷识别模型，对目标检测物进行缺陷识别，从而能够实现对每一类的目标检测物采用与其特征相符的缺陷识别模型，从而提高了缺陷识别的准确性。
图9为本公开又一实施例提供的缺陷检测装置的结构示意图，如图9所示，在上述实施例的基础上，所述缺陷检测装置还包括：类型待训练数据集获取模块91，类型检测模型获取模块92。其中：
类型待训练数据集获取模块91，用于从数据库中获取预设的类型待训练数据集，所述类型待训练数据集中包括多组类型待训练数据，每一组类型待训练数据中包括待训练原始图像以及所述待训练原始图像对应的类型。
类型检测模型获取模块92，用于通过所述类型待训练数据集对预设的类型待训练模型进行训练，获得所述类型检测模型。
本实施例提供的缺陷检测装置，通过利用不同种类目标检测物的原始图像和目标检测物对应的材质、纹理和颜色等类型信息对类型待训练模型进行训练，因此训练得到类型检测模型能够识别不同类型的目标被检测物，从而能够提高类型检测的准确性。
图10为本公开再一实施例提供的缺陷检测装置的结构示意图，如图10所示，在上述任一实施例的基础上，所述缺陷检测装置还包括：缺陷待训练数据集获取模块101，缺陷识别模型获取模块102。其中：
缺陷待训练数据集获取模块101，用于从数据库中获取预设的缺陷待训练数据集，所述缺陷待训练数据集中包括多组缺陷待训练数据，每一组缺陷待训练数据中包括待训练缺陷图像以及所述待训练缺陷图像对应的缺陷类别。
缺陷识别模型获取模块102，用于通过所述缺陷待训练数据集对缺陷待训练模型进行训练，获得缺陷识别模型。
本实施例提供的缺陷检测装置，通过针对不同类型的目标检测物分别训练不同的缺陷识别网络，从而使每种目标检测物都有相应的缺陷识别网络，从而提高了缺陷识别的准确率。进一步地，针对每一类目标检测物考虑缺陷的大小、强度和形状，在对缺陷按照大小、强度和形状分类后训练缺陷待训练模型，使得训练得到的缺陷识别模型能够准确地检测不同种类的缺陷，进一步地提高了缺陷识别的准确性。
图11为本公开另一实施例提供的缺陷检测装置的结构示意图，如图11所示，在上述任一实施例的基础上，缺陷检测模块83用于：将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，其中，所述缺陷信息包括所述目标检测物是否存在缺陷，以及所述目标检测物对应的缺陷位置以及缺陷类别。
进一步地，缺陷检测模块83包括：
获取单元111，用于将所述原始图像输入所述目标缺陷识别模型，得到所述原始图像的分割图和缺陷数值。
缺陷判断单元112，用于根据所述缺陷数值判断所述目标检测物是否存在缺陷。
处理单元113，用于若存在缺陷，根据所述缺陷数值判断所述缺陷的类别，并根据所述分割图确定所述缺陷的位置。
本实施例提供的缺陷检测装置，通过将目标检测物的原始图像输入对应的缺陷识别模型，能够得到原始图像的分割图和缺陷数值。由于缺陷数值能够准确地表征缺陷的程度，因此根据缺陷数值能够准确地判断目标检测物是否存在缺陷以及缺陷的类别。由于分割图中像素值异常的像素点的位置能够准确地表征缺陷的位置，因此根据分割图能够方便快捷且准确地确定缺陷的位置，从而提高了缺陷检测的效率和准确率。
本公开又一实施例提供的缺陷检测装置，在上述任一实施例的基础上，缺陷判断单元112用于：若所述缺陷数值大于第一阈值且不大于第二阈值，则所述目标检测物在所述原始图像的区域内存在缺陷；其中，所述第一阈值小于所述第二阈值；若所述缺陷数值大于所述第二阈值，则所述目标检测物在所述原始图像的区域内不存在缺陷。
进一步地，处理单元113用于：若所述缺陷数值大于所述第一阈值且不大于第三阈值，则所述缺陷的类别为第一类缺陷；其中，所述第三阈值大于所述第一阈值且小于所述第二阈值；若所述缺陷数值大于所述第三阈值且不大于第四阈值，则所述缺陷的类别为第二类缺陷；其中，所述第四阈值大于所述第三阈值且小于所述第二阈值；若所述缺陷数值大于所述第四阈值且不大于所述第二阈值，则所述缺陷的类别为第三类缺陷。
进一步地，处理单元113还用于：根据所述分割图，确定所述分割图内像素值最高的像素点，所述像素点的坐标为所述缺陷的位置。
本实施例提供的缺陷检测装置，通过利用原始图像的分割图和缺陷数值来获取目标检测物的缺陷信息。由于缺陷数值能够准确地表征缺陷的程度，因此根据缺陷数值能够准确地判断目标检测物是否存在缺陷以及缺陷的类别。由于分割图中像素值异常的像素点的位置能够准确地表征缺陷的位置，因此根据分割图能够方便快捷且准确地确定缺陷的位置，从而提高了缺陷检测的效率和准确率。
本公开又一实施例提供的缺陷检测装置，在上述任一实施例的基础上，所述装置还包括提示模块，用于若所述目标检测物存在缺陷，则将所述缺陷信息发送至预设的显示装置进行显示，和/或，进行报警提示。
本实施例提供的缺陷检测装置，通过对目标检测物的缺陷位置和缺陷类型进行显示，在目标检测物存在缺陷时进行报警等操作，提升了用户体验感，使用户能够直观找到存在缺陷的目标检测物，并能够便捷的在存在缺陷的目标检测物上找到缺陷的位置，从而提高了用户的工作效率。
图12为本公开实施例提供的缺陷检测设备的结构示意图，如图12所示，所述缺陷检测设备，包括：存储器121，处理器122；
存储器121，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器121可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，处理器122可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本公开实施例的一个或多个集成电路。
可选的，在具体实现上，如果存储器121和处理器122独立实现，则存储器121和处理器122可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器121和处理器122集成在一块芯片上实现，则存储器121和处理器122可以通过内部接口完成相同间的通信。
本公开的另一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的缺陷检测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (20)

1.一种缺陷检测方法，其特征在于，包括：
获取图像采集装置采集的目标检测物的原始图像；
采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息；
根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息。
2.根据权利要求1所述的方法，其特征在于，所述采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息之前，包括：
从数据库中获取预设的类型待训练数据集，所述类型待训练数据集中包括多组类型待训练数据，每一组类型待训练数据中包括待训练原始图像以及所述待训练原始图像对应的类型；
通过所述类型待训练数据集对预设的类型待训练模型进行训练，获得所述类型检测模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息之前，包括：
从数据库中获取预设的缺陷待训练数据集，所述缺陷待训练数据集中包括多组缺陷待训练数据，每一组缺陷待训练数据中包括待训练缺陷图像以及所述待训练缺陷图像对应的缺陷类别；
通过所述缺陷待训练数据集对缺陷待训练模型进行训练，获得缺陷识别模型。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息，包括：
将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，其中，所述缺陷信息包括所述目标检测物是否存在缺陷，以及所述目标检测物对应的缺陷位置以及缺陷类别。
5.根据权利要求4所述的方法，其特征在于，所述将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，包括：
将所述原始图像输入所述目标缺陷识别模型，得到所述原始图像的分割图和缺陷数值；
根据所述缺陷数值判断所述目标检测物是否存在缺陷；
若存在缺陷，根据所述缺陷数值判断所述缺陷的类别，并根据所述分割图确定所述缺陷的位置。
6.根据权利要求5所述的方法，其特征在于，所述根据所述缺陷数值判断所述目标检测物是否存在缺陷，包括：
若所述缺陷数值大于第一阈值且不大于第二阈值，则所述目标检测物在所述原始图像的区域内存在缺陷；其中，所述第一阈值小于所述第二阈值；
若所述缺陷数值大于所述第二阈值，则所述目标检测物在所述原始图像的区域内不存在缺陷。
7.根据权利要求5所述的方法，其特征在于，所述根据所述缺陷数值判断所述缺陷的类别，包括：
若所述缺陷数值大于所述第一阈值且不大于第三阈值，则所述缺陷的类别为第一类缺陷；其中，所述第三阈值大于所述第一阈值且小于所述第二阈值；
若所述缺陷数值大于所述第三阈值且不大于第四阈值，则所述缺陷的类别为第二类缺陷；其中，所述第四阈值大于所述第三阈值且小于所述第二阈值；
若所述缺陷数值大于所述第四阈值且不大于所述第二阈值，则所述缺陷的类别为第三类缺陷。
8.根据权利要求5所述的方法，其特征在于，所述根据所述分割图确定所述缺陷的位置，包括：
根据所述分割图，确定所述分割图内像素值最高的像素点，所述像素点的坐标为所述缺陷的位置。
9.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别之后，还包括：
若所述目标检测物存在缺陷，则将所述缺陷信息发送至预设的显示装置进行显示，和/或，进行报警提示。
10.一种缺陷检测装置，其特征在于，包括：
获取模块，用于获取图像采集装置采集的目标检测物的原始图像；
类型检测模块，用于采用预设的类型检测模型对所述原始图像的类型进行检测，获得所述目标检测物对应的类型信息；
缺陷检测模块，用于根据所述目标检测物的类型信息，采用与所述类型信息对应的目标缺陷识别模型，对所述目标检测物进行缺陷识别，获得所述目标检测物对应的缺陷信息。
11.根据权利要求10所述的装置，其特征在于，还包括：
类型待训练数据集获取模块，用于从数据库中获取预设的类型待训练数据集，所述类型待训练数据集中包括多组类型待训练数据，每一组类型待训练数据中包括待训练原始图像以及所述待训练原始图像对应的类型；
类型检测模型获取模块，用于通过所述类型待训练数据集对预设的类型待训练模型进行训练，获得所述类型检测模型。
12.根据权利要求10所述的装置，其特征在于，还包括：
缺陷待训练数据集获取模块，用于从数据库中获取预设的缺陷待训练数据集，所述缺陷待训练数据集中包括多组缺陷待训练数据，每一组缺陷待训练数据中包括待训练缺陷图像以及所述待训练缺陷图像对应的缺陷类别；
缺陷识别模型获取模块，用于通过所述缺陷待训练数据集对缺陷待训练模型进行训练，获得缺陷识别模型。
13.根据权利要求10-12任一项所述的装置，其特征在于，所述缺陷检测模块用于：
将所述目标检测物的原始图像输入至所述目标缺陷识别模型中，获得所述目标检测物对应的缺陷信息，其中，所述缺陷信息包括所述目标检测物是否存在缺陷，以及所述目标检测物对应的缺陷位置以及缺陷类别。
14.根据权利要求13所述的装置，其特征在于，所述缺陷检测模块包括：
获取单元，用于将所述原始图像输入所述目标缺陷识别模型，得到所述原始图像的分割图和缺陷数值；
缺陷判断单元，用于根据所述缺陷数值判断所述目标检测物是否存在缺陷；
处理单元，用于若存在缺陷，根据所述缺陷数值判断所述缺陷的类别，并根据所述分割图确定所述缺陷的位置。
15.根据权利要求14所述的装置，其特征在于，所述缺陷判断单元用于：
若所述缺陷数值大于第一阈值且不大于第二阈值，则所述目标检测物在所述原始图像的区域内存在缺陷；其中，所述第一阈值小于所述第二阈值；
若所述缺陷数值大于所述第二阈值，则所述目标检测物在所述原始图像的区域内不存在缺陷。
16.根据权利要求14所述的装置，其特征在于，所述处理单元用于：
若所述缺陷数值大于所述第一阈值且不大于第三阈值，则所述缺陷的类别为第一类缺陷；其中，所述第三阈值大于所述第一阈值且小于所述第二阈值；
若所述缺陷数值大于所述第三阈值且不大于第四阈值，则所述缺陷的类别为第二类缺陷；其中，所述第四阈值大于所述第三阈值且小于所述第二阈值；
若所述缺陷数值大于所述第四阈值且不大于所述第二阈值，则所述缺陷的类别为第三类缺陷。
17.根据权利要求14所述的装置，其特征在于，所述处理单元还用于：
根据所述分割图，确定所述分割图内像素值最高的像素点，所述像素点的坐标为所述缺陷的位置。
18.根据权利要求10-12任一项所述的装置，其特征在于，还包括：
提示模块，用于若所述目标检测物存在缺陷，则将所述缺陷信息发送至预设的显示装置进行显示，和/或，进行报警提示。
19.一种缺陷检测设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器用于调用所述存储器中的程序指令执行如权利要求1-9任一项所述的缺陷检测方法。
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-9任一项所述的缺陷检测方法。
CN202011400423.4A 2020-12-03 2020-12-03 缺陷检测方法、装置、设备及计算机可读存储介质 Pending CN114596243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011400423.4A CN114596243A (zh) 2020-12-03 2020-12-03 缺陷检测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011400423.4A CN114596243A (zh) 2020-12-03 2020-12-03 缺陷检测方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114596243A true CN114596243A (zh) 2022-06-07

Family

ID=81802813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011400423.4A Pending CN114596243A (zh) 2020-12-03 2020-12-03 缺陷检测方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114596243A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078620A (zh) * 2023-08-14 2023-11-17 正泰集团研发中心(上海)有限公司 Pcb焊点缺陷检测方法、装置、电子设备和存储介质
CN118135464A (zh) * 2024-05-06 2024-06-04 中国人民解放军火箭军工程大学 基于音视频数据的多终端设备监测方法及监测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078620A (zh) * 2023-08-14 2023-11-17 正泰集团研发中心(上海)有限公司 Pcb焊点缺陷检测方法、装置、电子设备和存储介质
CN117078620B (zh) * 2023-08-14 2024-02-23 正泰集团研发中心(上海)有限公司 Pcb焊点缺陷检测方法、装置、电子设备和存储介质
CN118135464A (zh) * 2024-05-06 2024-06-04 中国人民解放军火箭军工程大学 基于音视频数据的多终端设备监测方法及监测系统

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN111080622B (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN111310826B (zh) 样本集的标注异常检测方法、装置及电子设备
CN113406092B (zh) 数字化生产检测系统、方法、装置、设备及存储介质
CN113095445B (zh) 一种目标识别方法及装置
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN111008561A (zh) 一种牲畜的数量确定方法、终端及计算机存储介质
CN114596243A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN116542975B (zh) 一种玻璃面板的缺陷分类方法、装置、设备和介质
CN117677969A (zh) 一种缺陷检测的方法和装置
CN111582032A (zh) 行人检测方法、装置、终端设备及存储介质
CN113284094A (zh) 获取玻璃基板缺陷信息的方法、装置、存储介质及设备
CN114897868A (zh) 极片缺陷识别及模型训练方法、装置及电子设备
CN111160374A (zh) 一种基于机器学习的颜色识别方法及系统、装置
CN111382638B (zh) 一种图像检测方法、装置、设备和存储介质
CN111178445A (zh) 图像处理方法及装置
CN112364918A (zh) 异常识别方法、终端和计算机可读存储介质
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN115937555A (zh) 一种基于标准化流模型的工业缺陷检测算法
CN113496162B (zh) 停车规范识别方法、装置、计算机设备和存储介质
CN111935480B (zh) 一种用于图像获取装置的检测方法及相关装置
CN116977241A (zh) 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品
CN114529912A (zh) 图形验证码识别方法、装置、电子设备及可读存储介质
CN109543565B (zh) 一种数量确定方法及装置

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