CN114612434B - 一种波纹管表面缺陷检测方法及系统 - Google Patents
一种波纹管表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114612434B CN114612434B CN202210247570.5A CN202210247570A CN114612434B CN 114612434 B CN114612434 B CN 114612434B CN 202210247570 A CN202210247570 A CN 202210247570A CN 114612434 B CN114612434 B CN 114612434B
- Authority
- CN
- China
- Prior art keywords
- image
- bellows
- training set
- training
- detected
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 227
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception 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
- G06N3/04—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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本申请提供的一种波纹管表面缺陷检测方法及系统,该方法包括:获取正训练集和负训练集;基于所述正训练集和所述负训练集,构建波纹管图像训练集;基于所述波纹管图像训练集,训练图像重建网络模型;获取待检测波纹管图像;将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像;基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷。通过该方法生成重建图像的噪点更少,检测误差更小,对缺陷的检测精度可保持在像素级别,精度更高。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种波纹管表面缺陷检测方法及系统。
背景技术
波纹管因其结构紧凑、补偿效果好等诸多优点而在现代工业中广泛应用,其质量的优劣对装备的稳定运行至关重要。然而在波纹管的生产过程中,加工设备的振动、模具的错位或废屑的粘连等都会导致膨胀节表面产生缺陷。目前,波纹管的表面质量检测主要依赖人眼的视觉检测,检测结果具有一定的主观性且精度和效率因工人的状态波动。随着计算机视觉技术的发展,以及深度学习的快速发展,利用机器视觉代替人工进行检测的方式在工业各个领域取得了很好的效果。
目前现有的机器视觉检测技术可大致分为传统基于特征提取的检测方法和基于深度学习的缺陷检测方法,其中前者计算相对简单,一般只能针对一类特定产品,且方法一般无法推广,且检测精度不高;后者在模型训练阶段,需要获取大量的缺陷数据并对缺陷进行标注,模型的精度与缺陷数据集(缺陷样本)的规模有非常大的关系。但是在工业生产中,很难获取大量的缺陷样本,同时对缺陷样本的标注工作成本极高,从而导致深度学习的缺陷检测方法很难在工业生产中落地使用。
发明内容
本发明实施例的目的在于提供波纹管表面缺陷检测方法及系统,生成的重建图像的噪点更少,检测误差更小,对缺陷的检测精度可保持在像素级别,精度更高。具体技术方案如下:
在本发明实施例的第一方面,提供一种波纹管表面缺陷检测方法,包括:S110、获取正训练集和负训练集;S120、基于所述正训练集和所述负训练集,构建波纹管图像训练集;S130、基于所述波纹管图像训练集,训练图像重建网络模型;S140、获取待检测波纹管图像;S150、将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像;S160、基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷。
可选地,所述S110、获取正训练集和负训练集,包括:S111、采集正训练图像,获取所述正训练集;S112、迭代训练所述正训练集,获得对应的负训练图像;S113、基于所述负训练图像,获取所述负训练集。
可选地,所述S112、迭代训练所述正训练集,获得对应的负训练图像,包括:任意选取所述正训练集中的所述正训练图像;基于所述正训练图像,生成掩码图;根据所述正训练图像及所述掩码图,通过如下公式获得对应的负训练图像:
xn=xp*Mask+xtmp*(1-Mask)
其中,xn是负训练图像,xp是正训练图像,xtmp是任意选取的正训练图像,Mask是掩码图。
可选地,所述S130、基于所述波纹管图像训练集,训练图像重建网络模型,包括:
S131、基于所述负训练集中的负训练图像,训练图像重建网络模型;
S132、基于所述图像重建网络模型,获得重建训练图像;
S133、通过如下公式计算损失函数:
其中,xp是正训练图像,xn是负训练图像,x’是重建训练图像,MSE是图像矩阵的均方差。
可选地,所述图像重建网络模型是自编码器结构,包括:编码器和解码器。
可选地,所述S150、将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像,包括:S151、将所述待检测波纹管图像进行灰度化处理,获得待检测灰度波纹管图像;S152、将所述待检测灰度波纹管图像输入所述图像重建网络模型,获得重建图像。
可选地,所述S160、基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷,包括:S161、对所述重建图像和所述待检测波纹管图像异常分析,获得残差图像;S162、频域处理所述残差图像,获得空间域信号;S163、空间域处理所述空间域信号,获得平滑残差图像;S164、基于所述平滑残差图像,定位所述待检测波纹管图像的缺陷;所述缺陷包括缺陷位置和缺陷轮廓。
可选地,所述S162、频域处理所述残差图像,获得空间域信号,包括:S1621、傅里叶变换所述残差图像,获得频域信号;S1622、滤除所述频域信号中的高频信号,获得低频信号;S1623、傅里叶逆变换所述低频信号,获得空间域信号。
可选地,所述S163、空间域处理所述空间域信号,获得平滑残差图像,包括:S1631、腐蚀所述空间域信号,获得区域残差图像;S1632、膨胀处理所述区域残差图像,获得平滑残差图像。
在本发明实施例的又一方面,提供一种波纹管表面缺陷检测系统,包括:训练集获取模块,用于获取正训练集和负训练集;训练集构建模块,用于基于所述正训练集和所述负训练集,构建波纹管图像训练集;训练图像重建网络模型模块,用于基于所述波纹管图像训练集,训练图像重建网络模型;波纹管图像获取模块,用于获取待检测波纹管图像;重建图像模块,用于将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像;定位缺陷模块,用于基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷。
可选地,所述训练集获取模块具体用于,S111、采集正训练图像,获取所述正训练集;S112、迭代训练所述正训练集,获得对应的负训练图像;S113、基于所述负训练图像,获取所述负训练集。
可选地,所述训练图像重建网络模型模块具体用于,S131、基于所述负训练集中的负训练图像,训练图像重建网络模型;S132、基于所述图像重建网络模型,获得重建训练图像;S133、通过如下公式计算损失函数:
其中xp是正训练图像,xn是负训练图像,x’是重建训练图像,MSE是图像矩阵的均方差。
可选地,所述重建图像模块具体用于,S151、将所述待检测波纹管图像进行灰度化处理,获得待检测灰度波纹管图像;S152、将所述待检测灰度波纹管图像输入所述图像重建网络模型,获得重建图像。
可选地,所述定位缺陷模块具体用于,S161、对所述重建图像和所述待检测波纹管图像异常分析,获得残差图像;S162、频域处理所述残差图像,获得空间域信号;S163、空间域处理所述空间域信号,获得平滑残差图像;S164、基于所述平滑残差图像,定位所述待检测波纹管图像的缺陷;所述缺陷包括缺陷位置和缺陷轮廓。
有益效果:
(1)本发明采集无缺陷图像作为正训练图像,在构造负训练图像时随机添加缺陷,避免同类方法过度依赖大量数据的问题,增加了样本丰富性。
(2)通过负训练集,快速训练图像重建网络模型,同时使用正、负训练集的对比学习,优化模型,使模型更快收敛。
(3)通过训练好的图像重建网络模型,获取待检测波纹管图像的重建图像,分析待检测波纹管图像和其对应的重建图像的残差图像,结合频域处理和空间域处理技术进行缺陷检测,该方法生成重建图像的噪点更少,检测误差更小,对缺陷的检测精度可保持在像素级别,精度更高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种波纹管表面缺陷检测方法的流程示意图;
图2是本申请实施例提供的获得负训练图像的流程示意图;
图3是本申请实施例提供的待检测波纹管图像的缺陷定位的流程示意图;
图4是本申请实施例提供的波纹管表面检测的结果示意图。
图5是本申请实施例提供的一种波纹管表面缺陷检测系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
该波纹管表面缺陷检测方法及系统具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为光场摄像机、车载相机、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该波纹管表面缺陷检测方法及系统还可以集成在多个电子设备中,比如,波纹管表面缺陷检测方法及系统可以集成在多个服务器中,由多个服务器来实现本申请的波纹管表面缺陷检测方法及系统。
可以理解的是,本实施例的该波纹管表面缺陷检测方法及系统可以是在终端上执行的,也可以是在服务器上执行,还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
图1示出了本申请实施例提供的一种波纹管表面缺陷检测方法的流程示意图,请参考图1,一种波纹管表面缺陷检测方法包括如下步骤:
S110、获取正训练集和负训练集。
其中,可以将无缺陷图像作为正训练集,将有缺陷图像作为负训练集。
在一种实施方式中,步骤S110可以具体包括以下步骤:
S111、采集正训练图像,获取所述正训练集。
可选地,可以通过图像传感器对无缺陷图像进行采集,并使用无线通信技术将数据上传到服务器,同时为了便于直观的感受区域点的实时图像信息,还可以应用USBCamara对无缺陷图像进行捕获并上传至服务器,服务器接收相关数据并存储。
进一步地,可以将上述采集的无缺陷图像作为正训练图像,构建正训练集。
S112、迭代训练所述正训练集,获得对应的负训练图像。
其中,有缺陷图像可以根据正训练集中的无缺陷图像的迭代训练获取,则正训练集中的无缺陷图像和负训练集中的有缺陷图像可以一一对应。
在后续实施例中将详细介绍获得负训练图像的方法流程,这里不再赘述。
在又一种实施方式中,有缺陷图像还可以通过上述传感器采集的方式获取。
S113、基于所述负训练图像,获取所述负训练集。
可选地,可以将获得的无缺陷图像作为负训练图像,构建负训练集。
S120、基于所述正训练集和所述负训练集,构建波纹管图像训练集。
可选地,可以将所述正训练集和所述负训练集预处理,如图像筛选等,根据预处理后的训练集构建波纹管图像训练集。
S130、基于所述波纹管图像训练集,训练图像重建网络模型。
可选地,图像重建网络模型可以是自编码器结构,具体包括编码器E(Encoder)和解码器D(Decoder)。其中编码器E可以由多组编码器模块(E1 E2 E3…)组成,用于对输入的波纹管图像训练集逐层下采样,提取图像低维的抽象特征;解码器D可以由多组解码器模块(D1 D2 D3…)组成,用于将编码器提取的低维特征逐层上采样,恢复为原尺寸的图像,即重建训练图像。
可选地,由于正常波纹管的缺陷仅占整个图像中的一小部分,故图像重建网络模型可以仅重建这一小部分。
可选地,为避免在编解码过程中图像信息被过分压缩,图像重建网络模型中可以采用自适应的特征融合,即将每一层编码器输出与对应的解码器输出通过一个可学习的参数加权相加作为下一层解码器的输入。该方法训练的图像重建网络模型可以针对缺陷部分进行重建,保留图片大部分信息。
可选地,还可以对图像重建网络模型进行轻量化结构设计,编码器、解码器的基础模块均由基础的3x3卷积核构成,使模型易于训练、易于部署。在底层特征空间中加入特征增强模块,由残差学习和特征注意力两部分组成。残差学习允许绕过低频等不重要部分的信息,特征注意力可以赋予重要特征更多的权重,并将特征传递到深层。注意力机制的实现方式为:
Wa=σ(Conv(δ(Conv(F*))))
可选地,由于传统的卷积核通常是固定尺寸、固定大小的,例如3x3,5x5,7x7,这种卷积核存在对于未知的变化适应性差,泛化能力不强的问题,因此还可以在深层特征部分设计可变卷积,可变卷积为每个普通卷积核参数加入偏移量,在采样时可以更贴近物体的形状和尺寸,网络的感受野更大、特征提取能力更强。
在一种实施方式中,步骤S130可以具体包括以下步骤:
S131、基于所述负训练集中的负训练图像,训练图像重建网络模型。
S132、基于所述图像重建网络模型,获得重建训练图像。
其中,将前述步骤获取的负训练图像作为输入,训练图像重建网络模型,可以获得经过重建网路编码、解码后的重建训练图像。
可选地,可以根据对比学习同时使用重建训练图像、正训练图像、负训练图像计算损失函数。具体地:
S133、通过如下公式计算损失函数:
其中,xp是正训练图像,xn是负训练图像,x’是重建训练图像,MSE是图像矩阵的均方差,用于计算图像间的相似性,如两图像相似性越高,其均方差越小。
可选地,在训练过程中,图像重建网络权重不断优化,在损失函数的约束下,重建训练图像x’与xp靠近,与xn排斥。训练结束后,图像重建网络具备了将缺陷图像修复的能力,即输入有缺陷图像时,输出的重建训练图像为对应无缺陷的图像。
由此,该方法可以优化图像重建网络模型,使模型更快收敛,同时学习正常波纹管图像的特征分布,具备将缺陷图像映射为无缺陷图像的能力。
S140、获取待检测波纹管图像。
在一种实施方式中,可以采用合适的光源、摄像头角度,采集清晰的波纹管图像。
可选地,可以通过图像传感器对待检测波纹管图像进行采集,并使用无线通信技术将数据上传到服务器,同时为了便于直观的感受区域点的实时图像信息,还可以应用USBCamara对待检测波纹管图像进行捕获并上传至服务器,服务器接收相关数据并存储。
需要说明的是,待检测波纹管图像可以采用实时采样方式或等效时间采样方式获取,在此不做具体限定。
S150、将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像。
在一种实施方式中,步骤S150可以具体包括以下步骤:
S151、将所述待检测波纹管图像进行灰度化处理,获得待检测灰度波纹管图像。
S152、将所述待检测灰度波纹管图像输入所述图像重建网络模型,获得重建图像。
S160、基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷。
在后续实施例中将详细介绍待检测波纹管图像的缺陷定位的方法流程,这里不再赘述。
由上可知,该方法通过创建多样性正负样本对,并用正负样本对模型双向约束训练,解决工业数据少、小规模数据下模型训练效果差两个问题。
同时,本方法中图像重建网络采用类自编码器结构,加入特征融合和可变卷积的设计,在保持轻量化的同时保证了高质量的图像重建能力。
在缺陷检测的异常分析中,采用频域、空间域的多重处理,精确定位缺陷位置,并确定缺陷轮廓,实现波纹管表面缺陷的高精度检测。
图2是本申请实施例提供的获得负训练图像的流程示意图,具体包括以下步骤:
S210、任意选取所述正训练集中的所述正训练图像。
可选地,对于每个正训练图像xp,可以在不包含该训练图像的正训练集中选取一张正训练图像xtmp。
需要说明的是,选取方式可以是随机抽样、分层抽样及系统抽样等抽样方式中的一种或多种,在此不做具体限定。
S220、基于所述正训练图像,生成掩码图。
可选地,掩码面积可以在预设范围内随机设定,例如预设当前正训练图像面积的1/4为掩码面积的最高限。
S230、根据所述正训练图像及所述掩码图,通过如下公式获得对应的负训练图像:
xn=xp*Mask+xtmp*(1-Mask)
其中,xn是负训练图像,xp是正训练图像,xtmp是任意选取的正训练图像,Mask是掩码图。
由此可知,本申请实施例获取的负训练图像具有极强的随机性,既保留正样本的大部分纹理特征,又由于随机融合随机破坏了正样本的少部分特征。故每次迭代训练使用的数据集都不同,大大增加了数据的多样性。
图3是本申请实施例提供的待检测波纹管图像的缺陷定位的流程示意图,具体包括以下步骤:
S161、对所述重建图像和所述待检测波纹管图像异常分析,获得残差图像。
可选地,可以通过卷积层和最终密度层进行异常分析;其中,卷积层上层可以是VGG结构。
S162、频域处理所述残差图像,获得空间域信号。
在一种实施方式中,S162可以具体包括以下步骤:
S1621、傅里叶变换所述残差图像,获得频域信号。
S1622、滤除所述频域信号中的高频信号,获得低频信号。
其中,可以使用高斯低通滤波器滤除高频信号,以获得低频信号。
S1623、傅里叶逆变换所述低频信号,获得空间域信号。
S163、空间域处理所述空间域信号,获得平滑残差图像。
在一种实施方式中,S163可以具体包括以下步骤:
S1631、腐蚀所述空间域信号,获得区域残差图像.
其中,通过对空间域信号的腐蚀,可以分割出多个小面积区域。
S1632、膨胀处理所述区域残差图像,获得平滑残差图像。
其中,可以对区域残差图像进行膨胀处理,消除小面积区域,平滑较大面积区域的边缘,获得平滑残差图像。
由此,经过频域、空间域的去噪处理后的残差图像,可以重建图像中噪声的影响。
S164、基于所述平滑残差图像,定位所述待检测波纹管图像的缺陷;所述缺陷包括缺陷位置和缺陷轮廓。
由上可知,通过本实施方式生成重建图像的噪点更少,检测误差更小,对缺陷的检测精度可保持在像素级别,精度更高。
参考图4示出的本申请实施例提供的波纹管表面检测的结果示意图,图4-a为待检测的有缺陷的波纹管图像;图4-b为经由本申请中训练完成的图像重建网络模型输出的重建训练图像,经过重建后负训练图像中的缺陷部分被修复;图4-c为由重建图像和待检测波纹管图像做差获取的残差图像,残差图像存在噪点且缺陷区域边缘不明显;图4-d为经过异常分析处理的缺陷检测结果。
为实现上述方法类实施例,本实施例还提供一种波纹管表面缺陷检测系统,图5示出了本申请实施例提供的一种波纹管表面缺陷检测系统的结构示意图,所述系统包括:
训练集获取模块510,用于获取正训练集和负训练集;
训练集构建模块520,用于基于所述正训练集和所述负训练集,构建波纹管图像训练集;
训练图像重建网络模型模块530,用于基于所述波纹管图像训练集,训练图像重建网络模型;
波纹管图像获取模块540,用于获取待检测波纹管图像;
重建图像模块550,用于将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像;
定位缺陷模块560,用于基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷。
可选地,所述训练集获取模块510具体用于,采集正训练图像,获取所述正训练集;迭代训练所述正训练集,获得对应的负训练图像;基于所述负训练图像,获取所述负训练集。
可选地,所述训练图像重建网络模型模块530具体用于,基于所述负训练集中的负训练图像,训练图像重建网络模型;基于所述图像重建网络模型,获得重建训练图像;通过如下公式计算损失函数:
其中,xp是正训练图像,xn是负训练图像,x’是重建训练图像,MSE是图像矩阵的均方差。
可选地,所述重建图像模块550具体用于,将所述待检测波纹管图像进行灰度化处理,获得待检测灰度波纹管图像;将所述待检测灰度波纹管图像输入所述图像重建网络模型,获得重建图像。
可选地,所述定位缺陷模块560具体用于,对所述重建图像和所述待检测波纹管图像异常分析,获得残差图像;频域处理所述残差图像,获得空间域信号;空间域处理所述空间域信号,获得平滑残差图像;基于所述平滑残差图像,定位所述待检测波纹管图像的缺陷;所述缺陷包括缺陷位置和缺陷轮廓。
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,上述描述装置中模块/单元/子单元/组件的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本申请提供的一种波纹管表面缺陷检测方法及系统,该方法包括:获取正训练集和负训练集;基于所述正训练集和所述负训练集,构建波纹管图像训练集;基于所述波纹管图像训练集,训练图像重建网络模型;获取待检测波纹管图像;将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像;基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷。通过该方法生成重建图像的噪点更少,检测误差更小,对缺陷的检测精度可保持在像素级别,精度更高。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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网络单元上。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,在本申请提供的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。
所述功能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,本申请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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种波纹管表面缺陷检测方法,其特征在于,包括:
S110、获取正训练集和负训练集;
所述S110、获取正训练集和负训练集,具体包括:
任意选取所述正训练集中的正训练图像;
基于所述正训练图像,生成掩码图;
根据所述正训练图像及所述掩码图,获得对应的负训练图像,增加样本丰富性;通过如下公式获得对应的负训练图像:
xn=xp*Mask+xtmp*(1-Mask)
其中,xn是负训练图像,xp是正训练图像,xtmp是任意选取的正训练图像,Mask是掩码图;
S120、基于所述正训练集和所述负训练集,构建波纹管图像训练集;
S130、基于所述波纹管图像训练集,训练图像重建网络模型;
S140、获取待检测波纹管图像;
S150、将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像;
S160、基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷;
所述S160、基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷,包括:
S161、对所述重建图像和所述待检测波纹管图像异常分析,获得残差图像;
S162、频域处理所述残差图像,获得空间域信号;
S163、空间域处理所述空间域信号,获得平滑残差图像;
S164、基于所述平滑残差图像,定位所述待检测波纹管图像的缺陷;所述缺陷包括缺陷位置和缺陷轮廓。
2.根据权利要求1所述的方法,其特征在于,所述S110、获取正训练集和负训练集,包括:
S111、采集正训练图像,获取所述正训练集;
S112、迭代训练所述正训练集,获得对应的负训练图像;
S113、基于所述负训练图像,获取所述负训练集。
3.根据权利要求2所述的方法,其特征在于,所述S130、基于所述波纹管图像训练集,训练图像重建网络模型,包括:
S131、基于所述负训练集中的负训练图像,训练图像重建网络模型;
S132、基于所述图像重建网络模型,获得重建训练图像;
S133、通过如下公式计算损失函数:
其中,xp是正训练图像,xn是负训练图像,是重建训练图像,MSE是图像矩阵的均方差。
4.根据权利要求1所述的方法,其特征在于,所述图像重建网络模型是自编码器结构,包括:编码器和解码器。
5.根据权利要求1所述的方法,其特征在于,所述S150、将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像,包括:
S151、将所述待检测波纹管图像进行灰度化处理,获得待检测灰度波纹管图像;
S152、将所述待检测灰度波纹管图像输入所述图像重建网络模型,获得重建图像。
6.根据权利要求1所述的方法,其特征在于,所述S162、频域处理所述残差图像,获得空间域信号,包括:
S1621、傅里叶变换所述残差图像,获得频域信号;
S1622、滤除所述频域信号中的高频信号,获得低频信号;
S1623、傅里叶逆变换所述低频信号,获得空间域信号。
7.根据权利要求6所述的方法,其特征在于,所述S163、空间域处理所述空间域信号,获得平滑残差图像,包括:
S1631、腐蚀所述空间域信号,获得区域残差图像;
S1632、膨胀处理所述区域残差图像,获得平滑残差图像。
8.一种波纹管表面缺陷检测系统,其特征在于,包括:
训练集获取模块,用于获取正训练集和负训练集;
所述训练集获取模块具体用于:
任意选取所述正训练集中的正训练图像;
基于所述正训练图像,生成掩码图;
根据所述正训练图像及所述掩码图,获得对应的负训练图像,增加样本丰富性;通过如下公式获得对应的负训练图像:
xn=xp*Mask+xtmp*(1-Mask)
其中,xn是负训练图像,xp是正训练图像,xtmp是任意选取的正训练图像,Mask是掩码图;
训练集构建模块,用于基于所述正训练集和所述负训练集,构建波纹管图像训练集;
训练图像重建网络模型模块,用于基于所述波纹管图像训练集,训练图像重建网络模型;
波纹管图像获取模块,用于获取待检测波纹管图像;
重建图像模块,用于将所述待检测波纹管图像输入所述图像重建网络模型,获得重建图像;
定位缺陷模块,用于基于所述重建图像和所述待检测波纹管图像,定位所述待检测波纹管图像的缺陷;
所述定位缺陷模块具体用于:
S161、对所述重建图像和所述待检测波纹管图像异常分析,获得残差图像;
S162、频域处理所述残差图像,获得空间域信号;
S163、空间域处理所述空间域信号,获得平滑残差图像;
S164、基于所述平滑残差图像,定位所述待检测波纹管图像的缺陷;所述缺陷包括缺陷位置和缺陷轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247570.5A CN114612434B (zh) | 2022-03-14 | 2022-03-14 | 一种波纹管表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247570.5A CN114612434B (zh) | 2022-03-14 | 2022-03-14 | 一种波纹管表面缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114612434A CN114612434A (zh) | 2022-06-10 |
CN114612434B true CN114612434B (zh) | 2023-02-03 |
Family
ID=81863079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210247570.5A Active CN114612434B (zh) | 2022-03-14 | 2022-03-14 | 一种波纹管表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612434B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681980B (zh) * | 2023-07-31 | 2023-10-20 | 北京建筑大学 | 基于深度学习的大缺失率图像修复方法、装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815601A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大学 | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 |
CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724128B (zh) * | 2020-05-25 | 2024-03-15 | Tcl科技集团股份有限公司 | 一种训练样本的扩充方法 |
CN112686833B (zh) * | 2020-08-22 | 2023-06-06 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
CN113129272A (zh) * | 2021-03-30 | 2021-07-16 | 广东省科学院智能制造研究所 | 一种基于去噪卷积自编码器的缺陷检测方法及装置 |
CN113592830B (zh) * | 2021-08-04 | 2024-05-03 | 航天信息股份有限公司 | 一种图像缺陷检测方法、装置及存储介质 |
-
2022
- 2022-03-14 CN CN202210247570.5A patent/CN114612434B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815601A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大学 | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 |
CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114612434A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619618B (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
TWI737659B (zh) | 半導體試樣的基於深度學習之檢查的方法及其系統 | |
CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN111260640B (zh) | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 | |
CN110210513B (zh) | 数据分类方法、装置及终端设备 | |
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 | |
CN114612434B (zh) | 一种波纹管表面缺陷检测方法及系统 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN114091628A (zh) | 基于双分支网络的三维点云上采样方法及系统 | |
Liu et al. | Fabric defect detection based on sparse representation of main local binary pattern | |
JP7170605B2 (ja) | 欠陥検査装置、欠陥検査方法、およびプログラム | |
Kong et al. | Semi-supervised classification of wafer map based on ladder network | |
Goto et al. | Adversarial autoencoder for detecting anomalies in soldered joints on printed circuit boards | |
CN113019973A (zh) | 一种易拉罐制造缺陷在线视觉检测方法 | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
CN113516656A (zh) | 一种基于ACGAN和Cameralink相机的缺陷图像数据处理仿真方法 | |
CN115587989B (zh) | 一种工件ct图像缺陷检测分割方法及系统 | |
CN116823688A (zh) | 基于多尺度模糊质量评估的多聚焦图像融合方法及系统 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN112614089B (zh) | 基于贝叶斯压缩感知和深度学习的fpc缺陷检测方法 | |
CN117372720B (zh) | 一种基于多特征交叉掩码修复的无监督异常检测方法 | |
CN117314909B (zh) | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |