CN116363114A - 一种瓷砖表面质量检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明涉及一种瓷砖表面质量检测方法、装置、电子设备及存储介质。本发明所述的瓷砖表面质量检测方法包括：获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；同时根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。本发明所述的瓷砖表面质量检测方法，运用基于图像处理技术和深度学习技术的瓷砖表面质量视觉检测方法，自动化地实现瓷砖表面质量检测。

Description

一种瓷砖表面质量检测方法、装置、电子设备及存储介质

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种瓷砖表面质量检测方法、装置、电子设备及存储介质。

背景技术

目前瓷砖生产已基本实现自动化，但是瓷砖表面质量检测仍由人工完成，瓷砖生产尚未实现完全自动化。随着瓷砖生产厂家的竞争愈发激烈，瓷砖厂家需要新的发力点来提高竞争力，开始向高端(大幅面、纹理精美)瓷砖发展。生产高端瓷砖需要的工艺更加复杂，生产瓷砖过程中更易出现缺陷、色差，所以需要更多的检测人员更长时间进行检测。人工检测存在诸多弊端，一方面因受到人的主观因素影响，人工检测无法做到高精度、高效率及稳定的检测要求；另一方面，长时间的检测会对检测人员造成伤害。随着瓷砖生产的个个环节的自动化程度不断提高，人工表面质量检测成为瓷砖生产过程中的瓶颈。

当前自动化检测主要分为接触式检测和非接触式检测，非接触式检测可以在不影响质检产品的情况下高效地检测，成为了当前自动化检测的主流方法。随着计算机图像处理技术的发展，基于计算机视觉的自动化检测方法开始运用在瓷砖表面质量检测应用场景上。瓷砖表面质量检测主要包括缺陷检测和色差检测。随着计算机视觉发展，使用深度学习检测成为缺陷检测的主流，例如使用二阶段模型Faster R-CNN、Cascade R-CNN和单阶段模型SSD、RetinaNet等，检测瓷砖表面缺陷比传统视觉方法性能更佳，但是没有针对瓷砖缺陷的数据特点进行优化，大小目标混合检测时小目标缺陷的检测效率低。当前使用计算机视觉的方法检测色差仍是主流。使用传统图像处理方法例如颜色距、颜色直方图等，能够检测出单色、纹理简单瓷砖的表面色差，但是难以面对颜色丰富、纹理复杂的瓷砖色差检测，检测色差的准确度不够。

发明内容

基于此，本发明的目的在于，提供一种瓷砖表面质量检测方法、装置、电子设备及存储介质，运用基于图像处理技术和深度学习技术的瓷砖表面质量视觉检测方法，自动化实现瓷砖表面质量检测，替换人工检测，一方面提高彩色瓷砖的检测效率，提高不合格产品的检出率，保证产品质量的稳定性和一致性；另一方面有利于节省劳动力，减轻工人劳动强度，降低劳动力成本，提高生产效益。

第一方面，本发明提供一种瓷砖表面质量检测方法，包括以下步骤：

获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；

对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；

对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；

根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。

进一步地，对所述瓷砖图像进行预处理，得到瓷砖前景图像，包括以下步骤：

采用中值滤波消除所述瓷砖图像中的噪声；

对图像进行切割得到瓷砖前景图像。

进一步地，对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果，包括以下步骤：

使用滑动窗口将瓷砖前景图像切片，得到切片图集；

使用训练好的改进YOLOv5模型对所述切片图集进行缺陷检测，得到所述瓷砖前景图像对应的缺陷检测结果；

对所述缺陷检测结果进行统计编码，并保存编码结果。

进一步地，所述改进YOLOv5模型包括Backbone模块、Neck模块和Head模块；

所述Backbone模块包括CBS模块、C3模块、SPPF模块，负责提取图像特征；

所述Neck模块包括FPN结构和PAN结构，用于不同采样率特征融合；所述FPN结构中加入了基于注意力机制的AFM模块，用于控制深度特征参与浅层学习的程度；

所述Head模块为1x1的卷积，用于在Neck模块的输出特征后预测目标信息，同时预测目标的目标边界框、定位置信度和类别信息。

进一步地，所述改进YOLOv5模型使用分组的anchor计算方法。

进一步地，对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，包括以下步骤：

基于颜色直方图，获取图像的全局颜色特征；

基于小波变换，获取图像的局部颜色纹理特征；

将所述全局颜色特征和所述局部颜色纹理特征进行归一化和拼接，得到融合颜色和纹理特征。

进一步地，使用以下公式，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果：

其中，A^′ _p是待检测瓷砖图像的融合颜色和纹理特征，A^′ _t是瓷砖标准版图像的融合颜色和纹理特征，d(A_p′,_t′)为待检测瓷砖图像的融合颜色和纹理特征和瓷砖标准版图像的融合颜色和纹理特征的欧氏距离，α是色差阈值，H为判断色差结果，0表示没有色差，1表示有色差。

第二方面，本发明还提供一种瓷砖表面质量检测装置，包括：

瓷砖图像获取模块，用于获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；

缺陷检测模块，用于对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；

色差判断模块，用于对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；

等级划分模块，用于根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。

第三方面，本发明还提供一种电子设备，包括：

至少一个存储器以及至少一个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明第一方面任一项所述的一种瓷砖表面质量检测方法的步骤。

第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面任一项所述的一种瓷砖表面质量检测方法的步骤。

本发明提供的一种瓷砖表面质量检测方法、装置、电子设备及存储介质，运用基于图像处理技术和深度学习技术的瓷砖表面质量视觉检测方法，自动化实现瓷砖表面质量检测，替换人工检测，一方面提高彩色瓷砖的检测效率，提高不合格产品的检出率，保证产品质量的稳定性和一致性；另一方面有利于节省劳动力，减轻工人劳动强度，降低劳动力成本，提高生产效益。相比与其他瓷砖表面质量检测方法的优势在于：(1)考虑了瓷砖缺陷尺度分布不均的情况，使用了分组的anchor计算方法和自适应的特征融合模块，针对性地解决大小目标混合检测时小目标缺陷精度低的问题。(2)考虑纹理和颜色对色差的影响，使用非等间距分段的颜色直方图和小波变换提取特征，更符合人眼的视觉感知。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1为本发明提供的一种瓷砖表面质量检测方法的步骤示意图；

图2为一个实施例中缺陷检测算法所使用的改进YOLOv5模型的结构示意图；

图3为一个实施例中AFM模块的结构示意图；

图4为一个优选实施例中色差检测算法的流程图；

图5为一个优选实施例中融合颜色和纹理特征提取方法流程图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。

应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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它实施例，都属于本申请实施例保护的范围。

在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅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，也不能理解为指示或暗示相对重要性。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申请中的具体含义。

此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

针对背景技术中的问题，本申请实施例提供一种瓷砖表面质量检测方法，如图1所示，该方法包括以下步骤：

S01：获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像。

在一个具体的应用场景中，工业摄像头采集瓷砖表面图像，智能终端载入瓷砖图像数据和产品型号等相关信息。

预处理包括以下步骤：

首先采用中值滤波消除瓷砖图像中的噪声。中值滤波是一种非线性滤波技术，使用一个二维滤波窗口覆盖到图像(相当于二维序列)部分区域，将覆盖区域的数据进行排序，将中值作为滤波输出、完成去噪。

去除噪声后的瓷砖图像是包含背景和瓷砖图像，需要对图像进行切割得到瓷砖前景图像。先计算出瓷砖灰度图的直方图，选取波谷作为阈值，将大于阈值的像素灰度设为灰度最大值，把小于阈值的像素灰度设为灰度最小值，将图像二值化，最后在原图中切割出瓷砖前景图像编号并保存。

S02：对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果。

在一个优选的实施例中，使用一个滑动窗口将瓷砖前景图像切片，切片图集输入到训练好的改进YOLOv5模型，进行缺陷检测。最后使用一个编码器对检测后的结果进行统计编码，将编码结果保存到json文件。

其中，YOLOv5模型的基本思想是通过回归的方法预测图像上目标信息，包括目标边界框、定位置信度和类别概率向量，属于单阶段目标检测网络，具有高精度、检测速度快的特点。YOLOv5的网络主要是由Backbone、Neck和Head三部分组成。Backbone是模型的骨干网络，主要负责提取图像特征。Backbone包括CBS、C3、SPPF模块组成。Neck模块主要结构是FPN(特征金字塔)和PAN(路径聚合网络)，用于不同采样率特征融合，增强模型表达能力。Head模块是1x1的卷积，用在Neck模块的输出特征后预测目标信息，同时预测目标的目标边界框、定位置信度和类别信息。

针对瓷砖缺陷数据主要改进点为：

(1)将anchor计算方式更换为分组的anchor计算方法。该方式具体步骤为：①获取全部瓷砖缺陷标注信息。②标注分组。将标注按面积大小分为两组。③anchor计算。对各组分别使用KMeans++聚类算法进行聚类。④聚类结果组合，作为最后的anchor数值。

(2)在FPN结构中加入基于注意力机制的AFM模块。AFM模块可以控制深度特征参与浅层学习的程度，从而使浅层有效地接收深层转移特征，提高小尺度目标的检测精度。深浅层特征融合公式如下：

式中C_i、P_i+1分别表示融合成第i层特征输出的浅层特征和深层特征，f_unsample表示上采样，f_conv1x1表示横向连接时的1×1卷积，f_conv是后续的卷积操作，

表示层之间融合参数。在传统FPN结构中融合参数为1，AFM模块可以通过网络学习的方式，自适应调整FPN融合时的融合参数，AFM模块的表达式如下：

式中C_i是浅层特征图，P_i+1是深层特征图，f_unsample是上采样过程，f_conv1x1是1×1卷积，f_conv是普通卷积，GAP是全局平均池化，MLP是具有隐层的多层感知器，σ是Sigmoid激活函数。

优选的，以上改进YOLOv5模型使用以下步骤进行训练：

(1)数据集制作。本专利使用了一个公开的瓷砖缺陷数据集。该数据集存在六类标注，分别为边异常、角异常、白色点缺陷、浅色块缺陷、深色点块缺陷和光圈缺陷，囊括了大部分实际生产的缺陷种类。先对数据的预处理，以瓷砖产品id为标识按8:1:1的比例将数据集划分为训练集、验证集和测试集。接着对各图集使用一个重叠系数为0.2、大小为640×640滑动窗口切图，保留存在缺陷的瓷砖图像切片到JPG文件，新标注到TXT文件。

(2)设定训练超参数、数据集路径、数据增强参数。设置的初始学习率为0.001，最大迭代次数为800，实验批次大小为32，使用SGD优化器，动量为0.937，衰减系数为0.0005。设定训练图像旋转、翻转、缩放、色调变换等参数以扩充训练数据。

(3)训练前初始化。主要包括查找硬件设备、加载并初始化模型、初始化优化器、对训练数据进行数据增强、使用anchor计算算法计算锚框、加载数据。

(4)迭代训练。循环训练800个epoch。训练前先使用warmup进行预热学习率。每个epoch内使用数据迭代器迭代数据，先将数据传入模型进行前向传播，接着将预测值与真实值传入损失函数计算损失，损失函数反向传播，使用优化器更新模型参数，数据迭代完后更新学习率，计算指标，保存模型。接着进行下一次训练。

(5)训练后处理。使用非极大值抑制过滤多余的预测框。

3.3、模型推理。使用一个重叠系数为0.2、大小为640×640滑动窗口切图将瓷砖前景图像切片，切片图集输入到训练好的改进YOLOv5模型，输出瓷砖缺陷的位置、长宽、类别信息。

3.4、编码器统计编码。读取每张瓷砖切图推理后的缺陷长、宽、类别信息，不同种类缺陷按预设面积范围统计数量，得到不同种类缺陷不同面积范围内数量，保存到json文件中。

S03：对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果。

优选的，对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，包括以下子步骤：

S031：基于颜色直方图，获取图像的全局颜色特征。

提取全局颜色特征首先计算H通道的直方图，计算公式如下：

式中N代表图像像素数量，k代表像素点值。根据认知心理学的研究表明人眼对色调分量不同范围的敏感程度不同，在数值上表现为非均匀的。使用非等间距的方式将直方图量化，即非等间距得将直方图分段、计算每段面积，公式如下：

非等间距量化后得到一个16维的向量，得到全局的颜色特征F^′。

S032：基于小波变换，获取图像的局部颜色纹理特征。

使用离散小波变换提取瓷砖图像的纹理特征。离散小波变换以某一小波基函数ψ(x₁,x₂)通过平移、伸缩得到的小波序列

为基底，对图像(x₁,x₂)进行分解，得到图像在不同尺度小波下的系数。基函数变换公式如下：

小波变换公式如下：

式中a为缩放因子，b₁、b₂为平移因子。在这里我们使用Haar小波对瓷砖颜色空间变换后的H通道进行二层小波变换，得到一个包含颜色和纹理信息的系数矩阵，该系数矩阵综合考虑了颜色信息及其空间分布。对该矩阵每个水平、垂直、对角线高频系数矩阵的平均能量，计算公式如下：

最后得到6维的局部颜色纹理特征向量E^′。

S033：将所述全局颜色特征和所述局部颜色纹理特征进行归一化和拼接，得到融合颜色和纹理特征。

分别对F^′和E^′进行归一化，将归一化的特征拼接A^‘＝{F^‘,E^‘}，得到23维的融合颜色和纹理特征。

基于上述23维的融合颜色和纹理特征，使用以下公式，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果：

其中，A^′ _p是待检测瓷砖图像的融合颜色和纹理特征，A^′ _t是瓷砖标准版图像的融合颜色和纹理特征，d(A^′ _p,A^′ _t)为待检测瓷砖图像的融合颜色和纹理特征和瓷砖标准版图像的融合颜色和纹理特征的欧氏距离，α是色差阈值，H为判断色差结果，0表示没有色差，1表示有色差。

S04：根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。

具体的等级划分逻辑，可依照不同生产规则和需求确定，本申请不做限制。

在一个优选的实施例中，前述缺陷检测结果、色差判断结果均存储于指定的json文件中。等级划分是，读取缺陷json文件中的不同种类缺陷不同面积范围内数量，以及读取色差json文件中的色差判断，并输入到划分等级逻辑，输出瓷砖的等级。同时输出瓷砖缺陷信息、色差信息。

本申请实施例还提供一种瓷砖表面质量检测装置，该瓷砖表面质量检测装置包括：

瓷砖图像获取模块，用于获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；

缺陷检测模块，用于对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；

色差判断模块，用于对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；

等级划分模块，用于根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。

优选的，缺陷检测模块包括：

切片单元，用于使用滑动窗口将瓷砖前景图像切片，得到切片图集；

缺陷检测单元，用于使用训练好的改进YOLOv5模型对所述切片图集进行缺陷检测，得到所述瓷砖前景图像对应的缺陷检测结果；

结果编码单元，用于对所述缺陷检测结果进行统计编码，并保存编码结果。

优选的，所述改进YOLOv5模型包括Backbone模块、Neck模块和Head模块；

所述Backbone模块包括CBS模块、C3模块、SPPF模块，负责提取图像特征；

所述Neck模块包括FPN结构和PAN结构，用于不同采样率特征融合；所述FPN结构中加入了基于注意力机制的AFM模块，用于控制深度特征参与浅层学习的程度；

所述Head模块为1x1的卷积，用于在Neck模块的输出特征后预测目标信息，同时预测目标的目标边界框、定位置信度和类别信息。

优选的，色差判断模块包括：

全局颜色特征获取单元，用于基于颜色直方图，获取图像的全局颜色特征；

局部颜色纹理特征获取单元，用于基于小波变换，获取图像的局部颜色纹理特征；

特征拼接单元，用于将所述全局颜色特征和所述局部颜色纹理特征进行归一化和拼接，得到融合颜色和纹理特征。

优选的，使用以下公式，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果：

其中，A^′ _p是待检测瓷砖图像的融合颜色和纹理特征，A^′ _t是瓷砖标准版图像的融合颜色和纹理特征，d(A^′ _p,A^′ _t)为待检测瓷砖图像的融合颜色和纹理特征和瓷砖标准版图像的融合颜色和纹理特征的欧氏距离，α是色差阈值，H为判断色差结果，0表示没有色差，1表示有色差。

优选的，瓷砖图像获取模块包括：

去噪单元，用于采用中值滤波消除所述瓷砖图像中的噪声；

切割单元，用于对图像进行切割得到瓷砖前景图像。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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。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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供一种电子设备，包括：

至少一个存储器以及至少一个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如前所述的一种瓷砖表面质量检测方法的步骤。

对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件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模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的一种瓷砖表面质量检测方法的步骤。

计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(R AM)、只读存储器(R OM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本发明提供的一种瓷砖表面质量检测方法、装置、电子设备及存储介质，运用基于图像处理技术和深度学习技术的瓷砖表面质量视觉检测方法，自动化实现瓷砖表面质量检测，替换人工检测，一方面提高彩色瓷砖的检测效率，提高不合格产品的检出率，保证产品质量的稳定性和一致性；另一方面有利于节省劳动力，减轻工人劳动强度，降低劳动力成本，提高生产效益。相比与其他瓷砖表面质量检测方法的优势在于：(1)考虑了瓷砖缺陷尺度分布不均的情况，使用了分组的anchor计算方法和自适应的特征融合模块，针对性地解决大小目标混合检测时小目标缺陷精度低的问题。(2)考虑纹理和颜色对色差的影响，使用非等间距分段的颜色直方图和小波变换提取特征，更符合人眼的视觉感知。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种瓷砖表面质量检测方法，其特征在于，包括以下步骤：

获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；

对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；

对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；

根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。

2.根据权利要求1所述的一种瓷砖表面质量检测方法，其特征在于，对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果，包括以下步骤：

使用滑动窗口将瓷砖前景图像切片，得到切片图集；

使用训练好的改进YOLOv5模型对所述切片图集进行缺陷检测，得到所述瓷砖前景图像对应的缺陷检测结果；

对所述缺陷检测结果进行统计编码，并保存编码结果。

3.根据权利要求2所述的一种瓷砖表面质量检测方法，其特征在于：

所述改进YOLOv5模型包括Backbone模块、Neck模块和Head模块；

所述Backbone模块包括CBS模块、C3模块、SPPF模块，负责提取图像特征；

所述Neck模块包括FPN结构和PAN结构，用于不同采样率特征融合；所述FPN结构中加入了基于注意力机制的AFM模块，用于控制深度特征参与浅层学习的程度；

所述Head模块为1x1的卷积，用于在Neck模块的输出特征后预测目标信息，同时预测目标的目标边界框、定位置信度和类别信息。

4.根据权利要求3所述的一种瓷砖表面质量检测方法，其特征在于：

所述改进YOLOv5模型使用分组的anchor计算方法。

5.根据权利要求1所述的一种瓷砖表面质量检测方法，其特征在于，对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，包括以下步骤：

基于颜色直方图，获取图像的全局颜色特征；

基于小波变换，获取图像的局部颜色纹理特征；

将所述全局颜色特征和所述局部颜色纹理特征进行归一化和拼接，得到融合颜色和纹理特征。

6.根据权利要求5所述的一种瓷砖表面质量检测方法，其特征在于，使用以下公式，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果：

其中，A^′ _p是待检测瓷砖图像的融合颜色和纹理特征，A^′ _t是瓷砖标准版图像的融合颜色和纹理特征，d(A_p′,A_t′)为待检测瓷砖图像的融合颜色和纹理特征和瓷砖标准版图像的融合颜色和纹理特征的欧氏距离，α是色差阈值，H为判断色差结果，0表示没有色差，1表示有色差。

7.根据权利要求1所述的一种瓷砖表面质量检测方法，其特征在于，对所述瓷砖图像进行预处理，得到瓷砖前景图像，包括以下步骤：

采用中值滤波消除所述瓷砖图像中的噪声；

对图像进行切割得到瓷砖前景图像。

8.一种瓷砖表面质量检测装置，其特征在于，包括：

瓷砖图像获取模块，用于获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；

缺陷检测模块，用于对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；

色差判断模块，用于对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；

等级划分模块，用于根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。

9.一种电子设备，其特征在于，包括：

至少一个存储器以及至少一个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的一种瓷砖表面质量检测方法的步骤。

10.一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存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的一种瓷砖表面质量检测方法的步骤。

Images