CN117007611B - 片状材料的周期性缺陷检测方法、装置、设备以及介质 - Google Patents
片状材料的周期性缺陷检测方法、装置、设备以及介质 Download PDFInfo
- Publication number
- CN117007611B CN117007611B CN202311266235.0A CN202311266235A CN117007611B CN 117007611 B CN117007611 B CN 117007611B CN 202311266235 A CN202311266235 A CN 202311266235A CN 117007611 B CN117007611 B CN 117007611B
- Authority
- CN
- China
- Prior art keywords
- defect
- sheet
- sheet material
- target
- determining
- 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 613
- 239000000463 material Substances 0.000 title claims abstract description 455
- 230000000737 periodic effect Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 230000000007 visual effect Effects 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 abstract description 5
- 238000005286 illumination Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000011889 copper foil Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- 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
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种片状材料的周期性缺陷检测方法、装置、设备以及介质。该方法包括：确定目标片状材料以及确定目标片状材料是否存在对应的参考片状材料，目标片状材料中的片材缺陷与参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，预设差值用于判断两个片材缺陷是否位于相同位置；若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息；依据目标缺陷特征信息与参考缺陷特征信息，确定目标片状材料上的片材缺陷是否为周期性缺陷。该方法解决了由于光照、颜色、缺陷裁切不全、深浅形貌等原因造成畸变时，无法判别片状材料缺陷类型，从而造成周期性缺陷漏检的问题。
Description
技术领域
本发明涉及片状材料表面缺陷检测技术领域，尤其涉及一种片状材料的周期性缺陷检测方法、装置、设备以及介质。
背景技术
周期性缺陷是片状材料生产过程中由于前工序故障引起的缺陷，及早识别可减少缺陷生成率。
通过对片状材料表面的缺陷进行周期的分析，能推断出此类缺陷产生的位置及原因，为有效改善片状材料产品质量提供良好基础，并利于生产工艺人员排查设备问题，及早发现能够降低产品浪费提高产能。但是，现有方案中仍存在以下问题：对于光照、颜色、缺陷裁切不全、深浅形貌发生一定程度畸变时，无法判别片状材料缺陷类型，从而造成周期性缺陷漏检的问题。
发明内容
本发明提供了一种片状材料的周期性缺陷检测方法、装置、设备以及介质，以解决在片状材料发生畸变时，无法判别缺陷类型，从而造成周期性缺陷漏检的问题。
根据本发明的一方面，提供了一种片状材料的周期性缺陷检测方法，包括：
确定目标片状材料以及确定所述目标片状材料是否存在对应的参考片状材料，所述目标片状材料中的片材缺陷与所述参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，所述预设差值用于判断两个片材缺陷是否位于相同位置；
若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，所述缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息；
依据目标缺陷特征信息与所述参考缺陷特征信息，确定所述目标片状材料上的片材缺陷是否为周期性缺陷。
根据本发明的另一方面，提供了一种片状材料的周期性缺陷检测装置，包括：
缺陷位置确定模块，用于确定目标片状材料以及确定所述目标片状材料是否存在对应的参考片状材料，所述目标片状材料中的片材缺陷与所述参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，所述预设差值用于判断两个片材缺陷是否位于相同位置；
缺陷特征信息确定模块，用于若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，所述缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息；
周期性缺陷确定模块，用于依据目标缺陷特征信息与所述参考缺陷特征信息，确定所述目标片状材料上的片材缺陷是否为周期性缺陷。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的片状材料的周期性缺陷检测方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的片状材料的周期性缺陷检测方法。
本发明实施例的技术方案，首先确定目标片状材料与目标片状材料对应的参考片状材料，该步骤根据是否存在参考片状材料，来确定是否对周期性缺陷进行判断，避免了在检测到缺陷就进行判断的问题，从而提高了系统检测的效率。若存在参考片状材料，则确定目标片状材料及参考片状材料的缺陷特征信息，根据特征信息的差异判断片材缺陷是否为周期性缺陷，该步骤根据缺陷的缺陷特征信息判断周期性缺陷，能够提高检测的效率及准确率。因此，本发明的技术方案有效解决了由于光照、颜色、缺陷裁切不全、深浅形貌等原因造成畸变时，无法判别片状材料缺陷类型，从而造成周期性缺陷漏检的问题。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，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为根据本发明提供的一种片状材料的周期性缺陷检测方法的流程图；
图2为根据本发明提供的一种检测片状材料周期性缺陷的网络模型结构示意图；
图3为根据本发明提供的一种Triplet loss结构示意图；
图4为根据本发明提供的一种不同类型周期性缺陷形态示意图；
图5为根据本发明提供的另一种片状材料的周期性缺陷检测方法的流程图；
图6为根据本发明提供的采用无序收集方式运送候选片状材料的流程图；
图7为根据本发明提供的采用第一收集方式运送候选片状材料的流程图；
图8为根据本发明提供的采用第二收集方式运送候选片状材料的流程图；
图9为根据本发明提供的又一种片状材料的周期性缺陷检测方法的流程图；
图10为根据本发明提供的一种特征融合系统框图；
图11为根据本发明提供的一种片状材料的周期性缺陷检测装置的结构示意图；
图12为实现本发明实施例的片状材料的周期性缺陷检测方法的电子设备的结构示意图。
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。
图1为根据本发明提供的一种片状材料的周期性缺陷检测方法的流程图，本实施例可适用于由于光照、颜色、缺陷裁切不全、深浅形貌等造成的周期性缺陷漏检的情况，该方法可以由片状材料的周期性缺陷检测装置来执行，该片状材料的周期性缺陷检测装置可以采用硬件和/或软件的形式实现，该片状材料的周期性缺陷检测装置可配置于任何具有网络通信功能的电子设备中。如图1所示，该方法包括：
S110、确定目标片状材料以及确定目标片状材料是否存在对应的参考片状材料，目标片状材料中的片材缺陷与参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，预设差值用于判断两个片材缺陷是否位于相同位置。
片状材料可以为裁剪得到的单块片状材料，比如片状材料可为单块的正方形片状材料或单块的长方形片状材料，对裁剪大小和形状不作限定，如片状材料可以为纸制材料、纺织品、带钢等。目标片状材料可以为存在缺陷的片状材料。参考片状材料可以为目标片状材料之前存在缺陷的片状材料。
进一步地，在目标片状材料存在缺陷时，并不能直接将该缺陷判断为周期性缺陷，需要判断目标片状材料之前已检测完成的片状材料中是否存在相同位置的缺陷，即至少存在两个具有相同位置缺陷的片状材料，才能被认为是周期性缺陷。
在目标片状材料存在缺陷时，从已检测完成的片状材料中确定是否存在具有相同位置缺陷的片状材料，将已检测完成且具有与目标片状材料相同位置缺陷的片状材料作为参考片状材料。
作为一种可选但非限定的实现方式，确定目标片状材料，包括以下步骤：对片材生产设备生产的片状材料进行缺陷检测，并将存在片材缺陷的片状材料确定为目标片状材料。
当片材检测设备检测到片材生产设备生产的片状材料存在缺陷时，将该片状材料作为目标片状材料。其中，片材检测设备可以为用于对运输的片状材料进行视觉检测的设备。
预设差值可以为预先设定的用于判断片材缺陷位置是否位于相同位置处的距离差值。若两个片状材料中缺陷位置之间的距离小于预设差值，则认为目标片状材料中的片材缺陷和参考片状材料中的片材缺陷位于相同位置。
当片材检测设备检测到片状材料中存在缺陷时，将检测到缺陷的片状材料作为目标片状材料，从目标片状材料之前已检测完成的片状材料中确定是否存在有缺陷的片状材料，若有，则判断目标片状材料的片材缺陷与存在缺陷的片状材料的片材缺陷之间的位置差值是否小于预设差值，若小于，则认为两个片材缺陷位于相同位置，并将该存在缺陷的片状材料作为目标片状材料对应的参考片状材料。
进一步地，通过预设差值判断片材缺陷是否位于相同位置，是由于片状材料在生产的过程中，由于外界因素的干扰，会导致同一批生产的片状材料上缺陷的位置存在偏差，若忽略偏差的影响，只考虑位置完全相同的片状材料，则会造成漏检问题的出现，因此预设差值的设置能够保证参考片状材料的确定，提高检测的准确性。
进一步地，当片材生产设备生产的片状材料被传输到片材检测设备下时，片状材料进入片材检测设备的视觉检测范围内，此时片材检测设备可以对进入自身片材检测范围内的片材生产设备生产的片状材料进行图像检测，将存在缺陷的片状材料作为目标片状材料，并将检测得到的图像进行保存。
S120、若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，所述缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息。
视觉空间信息可以为图像的底层语义特征，如面积、长宽比、周长、椭圆度、纹理特征等，即从图像中提取的能够表征图像底层信息的特征参数。语义空间信息可以为图像表达出的最接近人类理解的特征信息，其可由计算机从图像中提取出来的二维矩阵进行表示。
若目标片状材料存在对应的参考片状材料，则采用深度学习模型确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及参考片状材料中片材缺陷对应的参考缺陷特征信息。其中，深度学习模型可采用卷积神经网络与三元损失函数相结合的模型。
作为一种可选但非限定的实现方式，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，包括步骤A1-A3：
步骤A1、确定包含有目标片状材料中片材缺陷的目标缺陷图像。
通过片材检测设备采集目标片状材料中片材缺陷的目标缺陷图像。
步骤A2、通过预设缺陷提取模型从目标缺陷图像中提取第一目标缺陷特征信息，第一目标缺陷特征信息用于衡量目标缺陷图像中片材缺陷的缺陷属性的语义空间信息。
预设缺陷提取模型为能够从目标片状材料缺陷图像中提取缺陷特征信息的模型。
进一步地，预设缺陷提取模型可为CNN神经网络和三元损失函数组合得到的模型，其采用对比学习方法对图像进行采样，从而实现对特征的提取。其中，对比学习为一种特殊的无监督学习方法，旨在通过最大化相关样本之间的相似性与最小化不相关样本之间的相似性来学习数据表示。预设缺陷提取模型主要由CNN网络模型(孪生网络)和三元损失函数(Triplet loss)组成，其中选择一个锚点并与正（同一类）示例和负（不同类）示例进行比较。
进一步地，CNN网络模型主要有两个关键模块：第一个模块由 4 个不同内核大小的 2D 卷积组成，用于提取不同大小的特征，然后将输出连接在一起。第二个模块的灵感来自 InceptionV3 模块，1x1 深度可分离卷积层旨在最大限度地减少模型中的参数数量。其余模块遵循传统的Conv，BatchNorm，SiLU和MaxPool堆叠，采用全局平均池化在全连接层之前将特征图在空间上简化为特征向量，模型的输出是一个128维度的图像特征。检测片状材料周期性缺陷的网络模型结构示意图如图2所示。其中，Conv为卷积层，通过计算获得的二维矩阵与卷积核（Convolution Kernel）的乘积值来提取图像的特征；MaxPool为池化层，在进行卷积操作后，将得到的特征图进行特征提取，将其中最具有代表性的特征提取出来，可以起到减小过拟合和降低维度的作用；SiLU为激活函数，用来提升神经网络的非线性，以增强网络的表征能力；Batchnorm是深度学习模型中经常用到的加快模型训练速度，模型收敛速度及模型稳定性的算法；FC为全连接层，在深度学习模型中，全连接层的每一个节点都与上一层的所有节点相连；Global Average Pooling为全局平均池化层，用于对计算每张特征图的像素点均值，并将所得的像素点均值组合成一个列向量，送入到全连接层中，以减少全连接层的过拟合问题。
进一步地，CNN网络模型为可以预先根据缺陷图像以及缺陷图像所属类型进行训练的模型。具体的，将缺陷图像以及缺陷图像所属类型输入至CNN网络模型中，根据CNN网络模型输出的特征信息，确定CNN网络模型的准确率，对CNN网络模型进行迭代训练，直至CNN网络模型的准确率大于或等于预设准确率阈值，停止CNN网络模型的训练。
进一步地，三元损失函数结构（Triplet loss结构）基本思想是：对于设定的三元组(Anchor，Positive，Negative)，Triplet loss试图学习到一个特征空间，使得在该空间中相同类别的基准样本（Anchor）与正样本（Positive）距离更近，不同类别的 Anchor 与负样本（Negative）距离更远。Triplet loss结构示意图如图3所示，图中loss 为三元损失函数结构的损失函数，其计算公式如下式：
其中，a是锚点，p是正例，n是负例，d（a，p）为锚点和正例之间的欧式距离，d（a，n）为锚点和负例之间的欧式距离，margin为中间的余量。
上述步骤，深度学习模型采用对比学习方法对图像进行采样，能够实现不需要大量的训练数据的同时，拉大不同周期缺陷之间特征距离，从而提高特征提取的精确度。
步骤A3、通过对目标缺陷图像进行轮廓分割，从目标缺陷图像中提取第二目标缺陷特征信息，第二目标缺陷特征信息用于衡量目标缺陷图像中片材缺陷的缺陷属性的视觉空间信息。
对目标缺陷图像进行图像分割处理，从而获得目标缺陷图像中能够表征片材缺陷的缺陷属性的视觉空间信息。
进一步地，图像分割是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中的分类方法。图像分割算法可以为最大类间方差法，自适应阈值法，基于边缘的分割方法等。
上述步骤，采用图像分割技术提取图像的特征信息，能够有效的分割图像中相差很大的不同目标和背景，从而获得较为精准的区域特征。
作为一种可选但非限定的实现方式，视觉空间信息包括片材缺陷面积、片材缺陷的外接矩形框尺寸、片材缺陷边界周长、片材缺陷的椭圆度及片材缺陷的纹理特征，预设缺陷提取模型是基于不同内核大小的二维卷积层模块与InceptionV3模块进行预先训练形成的，不同内核大小的二维卷积层模块用于提取不同尺度的图像特征向量，InceptionV3模块用于最大限度地减少预设缺陷提取模型中的参数数量。
其中，不同内核大小的二维卷积层模块可以为具有不同大小卷积核的卷积模块，如卷积核可以为2×2、3×3等。不同内核大小的二维卷积模块可以用于提取不同感受野即不同尺度的图像特征信息，其中，感受野可以为卷积神经网络每一层输出的特征图（Feature map）上的像素点映射回输入图像上的区域大小。
InceptionV3模块将一个较大的二维卷积拆分成两个较小的卷积，如将7×7的卷积拆成7×1卷积和1×7卷积，一方面节约了网络的运算能力，实现了加速运算并减轻过拟合，同时增加了一层非线性扩展模型表达能力，能够处理更多、更丰富的空间特征，增加特征的多样性。
预设缺陷提取模型采用InceptionV3模块能够实现对高纬度信息的局部处理，通过增加非线性激活响应可以解耦合更多的特征，从而提高训练的速度。
作为一种可选但非限定的实现方式，确定参考片状材料中片材缺陷对应的参考缺陷特征信息，包括步骤B1-B3：
步骤B1、确定包含有参考片状材料中片材缺陷的参考缺陷图像。
通过片材检测设备采集参考片状材料中片材缺陷的参考缺陷图像。
步骤B2、通过预设缺陷提取模型从参考缺陷图像中提取第一参考缺陷特征信息，第一参考缺陷特征信息用于衡量参考缺陷图像中片材缺陷的缺陷属性的语义空间信息。
根据预设缺陷提取模型从参考缺陷图像中提取第一参考缺陷特征信息的方法与上述从目标缺陷图像中提取第一目标缺陷特征信息的方法相同，此处不再进行赘述。
步骤B3、通过对参考缺陷图像进行轮廓分割，从参考缺陷图像中提取第二参考缺陷特征信息，第二参考缺陷特征信息用于衡量参考缺陷图像中片材缺陷的缺陷属性的视觉空间信息。
通过轮廓分割从参考缺陷图像中提取第二参考缺陷特征信息的方法与上述从目标缺陷图像中提取第二目标缺陷特征信息方法相同，此处不再进行赘述。
S130、依据目标缺陷特征信息与参考缺陷特征信息，确定目标片状材料上的片材缺陷是否为周期性缺陷。
周期性缺陷可以为片状材料在生产过程中由于前工序故障引起的严重缺陷，如将上下两层铜箔片状材料与PP材料压合而成CCL材料的钢片状材料时会产生凹痕，因此所有这台钢片状材料压合设备产生的CCL片状材料相同位置都会出现相同的周期性缺陷。再比如片状材料搬运工具，例如真空吸盘、机械夹具等，这些设备漏油或者其他故障都会导致周期性缺陷产生。甚至运输工位有突出物也会对CCL片状材料造成周期性划伤等缺陷，不同类型周期性缺陷形态示意图如图4所示。不同周期性缺陷的检出可以逆向定位出其前序工艺设备故障问题，以帮助设备巡检人员实现对设备故障的早发现早定位早解决，从而提高系统的稳定性。
将目标缺陷特征信息与参考缺陷特征信息进行对比分析，判断目标缺陷特征信息与参考缺陷特征信息是否具有相似性，若具有相似性，则认为目标片状材料上的片材缺陷为周期性缺陷；若不具备相似性，则认为目标片状材料上的片材缺陷不是周期性缺陷。
进一步地，相似性可以为评定目标缺陷特征信息与参考缺陷特征信息满足预先设置的相似度阈值的度量，若目标缺陷特征信息与参考缺陷特征信息的相似度大于或等于相似度阈值，则确定该目标缺陷特征信息的相似度满足预设相似度阈值条件，将该目标片状材料上的片材缺陷作为周期性缺陷。
本实施例技术方案，本发明实施例的技术方案，首先确定目标片状材料与目标片状材料对应的参考片状材料，该步骤根据是否存在参考片状材料，来确定是否对周期性缺陷进行判断，避免了在检测到缺陷就进行判断的问题，从而提高了系统检测的效率。若存在参考片状材料，则确定目标片状材料及参考片状材料的缺陷特征信息，根据特征信息的差异判断片材缺陷是否为周期性缺陷，该步骤根据缺陷的缺陷特征信息判断周期性缺陷，能够提高检测的效率及准确率。因此，本发明的技术方案有效解决了由于光照、颜色、缺陷裁切不全、深浅形貌等原因造成畸变时，无法判别片状材料缺陷类型，从而造成周期性缺陷漏检的问题。
图5为根据本发明提供的另一种片状材料的周期性缺陷检测方法的流程图，本实施例是上述实施例S110中确定目标片状材料是否存在对应的参考片状材料的进一步展开，本实施例可与上述任一实施例进行结合。如图5所示，该方法包括：
S210、确定目标片状材料以及检测目标片状材料之前收集的候选片状材料中是否存在片材缺陷。
根据候选片状材料送入片材检测设备中的方式，确定目标片状材料之前收集的候选片状材料中是否存在片材缺陷。
作为一种可选但非限定的实现方式，检测目标片状材料之前收集的候选片状材料中是否存在片材缺陷，包括以下步骤：
在各个片材生产设备生产的候选片状材料被配置为无序收集运送到片材检测设备的情况下，遍历检测目标片状材料之前连续收集的预设数量的候选片状材料中是否存在片材缺陷，预设数量是基于片材生成设备的设备数量进行确定。
候选片状材料可以为片材生产设备生产完成后，等待片材检测设备检测的片状材料。
示例性的，在各个片材生产设备生产的候选片状材料被配置为无序收集运送到片材检测设备的情况下，如图6所示，其中1表示片材生产设备，2表示片状材料，假设片状材料生产设备数量为N，片材检测设备检测出缺陷需要向上遍历N块片状材料相同位置是否出现缺陷，且这个相同位置(x,y)具有一定的容差值，/>。其中，x为片材上缺陷的横坐标位置，y为片材上缺陷的纵坐标位置，Errox为横坐标位置距离容差值，Dx为目标片状材料上缺陷的横坐标和遍历出来的片状材料上缺陷的横坐标之间距离的误差上限，Erroy为纵坐标位置距离容差值，Dy为目标片状材料上缺陷的纵坐标和遍历出来的片状材料上缺陷的纵坐标之间距离的误差上限。
作为一种可选但非限定的实现方式，检测所述目标片状材料之前收集的候选片状材料中是否存在片材缺陷，包括步骤C1-C2：
步骤C1、在各个片材生产设备生产的候选片状材料被配置为按照第一收集方式进行收集运送到片材检测设备的情况下，从目标片状材料之前连续收集的候选片状材料确定第一片状材料，第一片状材料与目标片状材料之间间隔着预设数量的候选片状材料，第一收集方式为将各个片材生产设备生产的候选片状材料依照各个片材生产设备的次序进行循环收集，在每次循环收集过程中每个片材生产设备生产的候选片状材料收集一次。
第一片状材料为目标片状材料之前连续收集的候选片状材料中与目标片状材料之间间隔着预设数量的候选片状材料。
当片材生产设备生产的候选片状材料依照各个片材生产设备的次序进行循环收集，在每次循环收集过程中每个片材生产设备生产的候选片状材料收集一次，如图7所示，其中1表示片材生产设备，2表示片状材料，A、B、C表示各个片材生产设备的次序。在完成每次收集后，将候选片状材料按照收集的次序运送到片材检测设备进行检测，在这种收集方式的情况下，当确定目标片状材料后，根据预设数量从目标片状材料之前连续收集的候选片状材料中确定第一片状材料。
步骤C2、检测第一片状材料中是否存在片材缺陷。
在确定第一片状材料后，判断第一片状材料中是否存在片材缺陷。
示例性的，在各个片材生产设备生产的候选片状材料被配置为按照第一收集方式进行收集运送到片材检测设备的情况下，假设片状材料生产设备数量为N，每个片状材料数据集记录如，当当前片材检测设备检测出缺陷所属片状材料为/>后，需要遍历之前第N块片状材料相同位置是否出现缺陷，且这个相同位置(x,y)具有一定的容差值/>，/>。
作为一种可选但非限定的实现方式，检测目标片状材料之前收集的候选片状材料中是否存在片材缺陷，包括步骤D1-D2：
步骤D1、在各个片材生产设备生产的候选片状材料被配置为按照第二收集方式进行收集运送到片材检测设备的情况下，从目标片状材料之前连续收集的候选片状材料确定第二片状材料，第二片状材料为与目标片状材料在同一组进行连续收集且目标片状材料的上一个候选片状材料，第二收集方式为各个片材生产设备生产的候选片状材料按照不同的片材生产设备进行分组收集，同一组进行连续收集片状材料为同一个片材生成设备生成。
当片材生产设备生产的候选片状材料按照不同的片材生产设备进行分组收集，按照分组的顺序将候选片状材料运送到片材检测设备进行检测，如图8所示，其中1表示片材生产设备，2表示片状材料，在这种收集方式的情况下，当确定目标片状材料后，将目标片状材料在同一组进行连续收集且目标片状材料的上一个候选片状材料作为第二片状材料。
步骤D2、检测第二片状材料中是否存在片材缺陷。
在确定第二片状材料后，判断第二片状材料中是否存在片材缺陷。
示例性的，在各个片材生产设备生产的候选片状材料被配置为按照第二收集方式进行收集运送到片材检测设备的情况下，只需要遍历目标片状材料前一块片状材料相同位置是否出现缺陷，且这个相同位置(x,y)具有一定的容差值，。
S220、若在候选片状材料中检测到存在片材缺陷，则检测存在的片材缺陷的候选片状材料与目标片状材料中的片材缺陷之间的缺陷位置距离是否小于预设差值。
若检测到候选片状材料中存在片材缺陷，则计算候选片状材料片材缺陷的位置与目标片状材料片材缺陷的位置之间的距离差值，并判断缺陷位置距离差值是否小于预设差值。
S230、若小于预设差值，则确定存在的片材缺陷的候选片状材料为目标片状材料对应的参考片状材料。
若缺陷位置距离差值小于预设差值，则将存在片材缺陷的候选片状材料作为目标片状材料对应的参考片状材料；若缺陷位置距离差值大于或等于预设差值，则认为候选片状材料的片材缺陷与目标片状材料的片材缺陷为不同类型的片材缺陷。
S240、若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息。
S250、依据目标缺陷特征信息与参考缺陷特征信息，确定目标片状材料上的片材缺陷是否为周期性缺陷。
本实施例技术方案，根据对候选片状材料的不同收集方式，确定候选片状材料的选取方式，根据选取方式对候选片装材料进行遍历得到的存在缺陷的片状材料，判断存在缺陷的片状材料是否在与目标片状材料存在缺陷的相同位置处存在缺陷，从而确定片材缺陷是否为周期性缺陷，该方法能够提升对候选片状材料选取的精准度，也能够提升系统的普适性。
图9为根据本发明提供的又一种片状材料的周期性缺陷检测方法的流程图，本实施例是上述实施例S130依据目标缺陷特征信息与所述参考缺陷特征信息，确定所述目标片状材料上的片材缺陷是否为周期性缺陷的进一步展开，本实施例可与上述任一实施例进行结合。如图9所示，该方法包括：
S310、确定目标片状材料以及确定目标片状材料是否存在对应的参考片状材料，目标片状材料中的片材缺陷与参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，预设差值用于判断两个片材缺陷是否位于相同位置。
S320、若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息。
S330、确定目标缺陷特征信息中语义空间信息与参考缺陷特征信息中语义空间信息之间的欧式距离并作为第一欧式距离。
计算目标缺陷特征信息中语义空间信息和参考缺陷特征信息中的语义空间信息之间的欧式距离，计算方法如下所示：
其中，P为片材缺陷图像的特征维度最大值，为片材缺陷图像的第i维度特征，、/>为目标片状材料中片材缺陷图像与参考片状材料中片材缺陷图像的语义空间信息。
进一步地，将计算得到的欧式距离作为第一欧式距离。
S340、确定目标缺陷特征信息中视觉空间信息与参考缺陷特征信息中视觉空间信息之间的欧式距离并作为第二欧式距离。
第二欧式距离的确定方法与第一欧式距离相同，此处不在进行赘述。
S350、基于第一欧式距离与第二欧式距离，确定目标片状材料上的片材缺陷是否为周期性缺陷。
根据计算得到的第一欧式距离与第二欧式距离计算融合后的欧式距离，根据所得的欧式距离的大小判断目标片状材料上的片材缺陷是否为周期性缺陷。
作为一种可选但非限定的实现方式，基于第一欧式距离与第二欧式距离，确定目标片状材料上的片材缺陷是否为周期性缺陷，包括步骤E1-E3：
步骤E1、将第一欧式距离与第二欧式距离进行欧式距离加权融合得到融合后欧式距离。
示例性的，如图10所示，融合得到的欧式距离为，其中，L1为第一欧式距离；L2为第二欧式距离，α、β为权重融合超参值。
步骤E2、基于融合后欧式距离确定目标片状材料上的片材缺陷与参考片状材料上的片材缺陷之间的片材缺陷相似度。
融合后欧式距离小于相似度阈值，则认为目标片状材料上的片材缺陷与参考片状材料上的片材缺陷之间的片材缺陷相似度为具备相似性；融合后欧式距离大于或等于预设阈值，则认为目标片状材料上的片材缺陷与参考片状材料上的片材缺陷之间的片材缺陷相似度为不具备相似性。
进一步地，可以预先设置相似度阈值，若融合后欧式距离小于相似度阈值，则确定融合后欧式距离满足预设相似度条件，则认为目标片状材料上的片材缺陷与参考片状材料上的片材缺陷之间的片材缺陷相似度为具备相似性。
步骤E3、依据片材缺陷相似度确定目标片状材料上的片材缺陷是否为周期性缺陷。
片材缺陷相似度为具备相似性，则认为目标片状材料上的片材缺陷为周期性缺陷；片材缺陷相似度为不具备相似性，则认为目标片状材料上的片材缺陷不为周期性缺陷。
示例性的，获取目标片状材料和遍历得到的候选片状材料的语义空间信息和视觉空间信息，根据语义空间信息计算第一欧式距离L1，根据视觉空间信息计算第二欧式距离L2，由此可得到欧式距离，根据欧式距离确定片材缺陷相似度，从而确定目标片状材料上的片材缺陷是否为周期性缺陷。
本实施例技术方案，通过目标片状材料和候选片状材料的缺陷特征信息分别计算语义空间信息和视觉空间信息的欧式距离，根据欧式距离判断目标片状材料和参考片状材料上片材缺陷是否为周期性缺陷。该方法采用欧式距离能够更加精准的确定目标片状材料和参考片状材料片材缺陷的相似度，从而提高周期性缺陷判断的准确性。
图11为根据本发明提供的一种片状材料的周期性缺陷检测装置的结构示意图。如图11所示，该装置包括：缺陷位置确定模块410、缺陷特征信息确定模块420、周期性缺陷确定模块430，其中：
缺陷位置确定模块410：用于确定目标片状材料以及确定目标片状材料是否存在对应的参考片状材料，目标片状材料中的片材缺陷与参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，预设差值用于判断两个片材缺陷是否位于相同位置；
缺陷特征信息确定模块420：用于若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息；
周期性缺陷确定模块430：用于依据目标缺陷特征信息与参考缺陷特征信息，确定目标片状材料上的片材缺陷是否为周期性缺陷。
可选的，缺陷位置确定模块410，包括：
缺陷检测单元：用于对片材生产设备生产的片状材料进行缺陷检测，并将存在片材缺陷的片状材料确定为目标片状材料。
可选的，缺陷位置确定模块410，包括：
片材缺陷检测单元：用于检测目标片状材料之前收集的候选片状材料中是否存在片材缺陷；
预设差值判断单元：用于若在候选片状材料中检测到存在片材缺陷，则检测存在的片材缺陷的候选片状材料与目标片状材料中的片材缺陷之间的缺陷位置距离是否小于预设差值；
参考片状材料确定单元：用于若小于预设差值，则确定存在的片材缺陷的候选片状材料为目标片状材料对应的参考片状材料。
可选的，片材缺陷检测单元，包括：
遍历检测子单元：用于在各个片材生产设备生产的候选片状材料被配置为无序收集运送到片材检测设备的情况下，遍历检测目标片状材料之前连续收集的预设数量的候选片状材料中是否存在片材缺陷，预设数量是基于片材生成设备的设备数量进行确定。
可选的，片材缺陷检测单元，包括：
第一片状材料确定子单元：用于在各个片材生产设备生产的候选片状材料被配置为按照第一收集方式进行收集运送到片材检测设备的情况下，从目标片状材料之前连续收集的候选片状材料确定第一片状材料，第一片状材料与目标片状材料之间间隔着预设数量的候选片状材料，第一收集方式为将各个片材生产设备生产的候选片状材料依照各个片材生产设备的次序进行循环收集，在每次循环收集过程中每个片材生产设备生产的候选片状材料收集一次；
片材缺陷检测子单元：用于检测第一片状材料中是否存在片材缺陷。
可选的，片材缺陷检测单元，包括：
第二片状材料确定子单元：用于在各个片材生产设备生产的候选片状材料被配置为按照第二收集方式进行收集运送到片材检测设备的情况下，从目标片状材料之前连续收集的候选片状材料确定第二片状材料，第二片状材料为与目标片状材料在同一组进行连续收集且目标片状材料的上一个候选片状材料，第二收集方式为各个片材生产设备生产的候选片状材料按照不同的片材生产设备进行分组收集，同一组进行连续收集片状材料为同一个片材生成设备生成；
片材缺陷检测子单元：用于检测第二片状材料中是否存在片材缺陷。
可选的，缺陷特征信息确定模块420，包括：
目标缺陷图像确定单元：用于确定包含有目标片状材料中片材缺陷的目标缺陷图像；
第一目标缺陷特征信息确定单元：用于通过预设缺陷提取模型从目标缺陷图像中提取第一目标缺陷特征信息，第一目标缺陷特征信息用于衡量目标缺陷图像中片材缺陷的缺陷属性的语义空间信息；
第二目标缺陷特征信息确定单元：用于通过对目标缺陷图像进行轮廓分割，从目标缺陷图像中提取第二目标缺陷特征信息，第二目标缺陷特征信息用于衡量目标缺陷图像中片材缺陷的缺陷属性的视觉空间信息。
可选的，缺陷特征信息确定模块420，包括：
参考缺陷图像确定单元：用于确定包含有参考片状材料中片材缺陷的参考缺陷图像；
第一参考缺陷特征信息确定单元：用于通过预设缺陷提取模型从参考缺陷图像中提取第一参考缺陷特征信息，第一参考缺陷特征信息用于衡量参考缺陷图像中片材缺陷的缺陷属性的语义空间信息；
第二参考缺陷特征信息确定单元：用于通过对参考缺陷图像进行轮廓分割，从参考缺陷图像中提取第二参考缺陷特征信息，第二参考缺陷特征信息用于衡量参考缺陷图像中片材缺陷的缺陷属性的视觉空间信息。
可选的，缺陷特征信息确定模块420，具体用于：
根据视觉空间信息包括片材缺陷面积、片材缺陷的外接矩形框尺寸、片材缺陷边界周长、片材缺陷的椭圆度及片材缺陷的纹理特征，预设缺陷提取模型是基于不同内核大小的二维卷积层模块与InceptionV3模块进行预先训练形成，不同内核大小的二维卷积层模块用于提取不同尺度的图像特征向量，InceptionV3模块用于最大限度地减少预设缺陷提取模型中的参数数量。
可选的，周期性缺陷确定模块430，包括：
第一欧式距离确定单元：用于确定目标缺陷特征信息中语义空间信息与参考缺陷特征信息中语义空间信息之间的欧式距离并作为第一欧式距离；
第二欧式距离确定单元：用于确定目标缺陷特征信息中视觉空间信息与参考缺陷特征信息中视觉空间信息之间的欧式距离并作为第二欧式距离；
周期性缺陷确定单元：用于基于第一欧式距离与第二欧式距离，确定目标片状材料上的片材缺陷是否为周期性缺陷。
可选的，周期性缺陷确定单元，包括：
欧式距离确定子单元：用于将第一欧式距离与第二欧式距离进行欧式距离加权融合得到融合后欧式距离；
相似度确定子单元：用于基于融合后欧式距离确定目标片状材料上的片材缺陷与参考片状材料上的片材缺陷之间的片材缺陷相似度；
周期性缺陷确定子单元：用于依据片材缺陷相似度确定目标片状材料上的片材缺陷是否为周期性缺陷。
本发明实施例中所提供的片状材料的周期性缺陷检测装置可执行上述本发明任意实施例中所提供的片状材料的周期性缺陷检测方法，具备执行该片状材料的周期性缺陷检测方法相应的功能和有益效果，详细过程参见前述实施例中片状材料的周期性缺陷检测方法的相关操作。
图12为实现本发明实施例的片状材料的周期性缺陷检测方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图12所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如片状材料的周期性缺陷检测方法。
在一些实施例中，片状材料的周期性缺陷检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的片状材料的周期性缺陷检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行片状材料的周期性缺陷检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (14)
1.一种片状材料的周期性缺陷检测方法，其特征在于，应用于片材检测设备，所述方法包括：
确定目标片状材料以及确定所述目标片状材料是否存在对应的参考片状材料，所述目标片状材料中的片材缺陷与所述参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，所述预设差值用于判断两个片材缺陷是否位于相同位置；
若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，所述缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息，其中，所述视觉空间信息包括片材缺陷面积、片材缺陷的外接矩形框尺寸、片材缺陷边界周长、片材缺陷的椭圆度及片材缺陷的纹理特征，所述语义空间信息由计算机从图像中提取出来的二维矩阵进行表示；
依据目标缺陷特征信息与所述参考缺陷特征信息，确定所述目标片状材料上的片材缺陷是否为周期性缺陷，所述周期性缺陷为片状材料在生产过程中由于前工序故障引起的缺陷。
2.根据权利要求1所述的方法，其特征在于，确定目标片状材料，包括：
对片材生产设备生产的片状材料进行缺陷检测，并将存在片材缺陷的片状材料确定为目标片状材料。
3.根据权利要求1所述的方法，其特征在于，确定所述目标片状材料是否存在对应的参考片状材料，包括：
检测所述目标片状材料之前收集的候选片状材料中是否存在片材缺陷；
若在候选片状材料中检测到存在片材缺陷，则检测存在的片材缺陷的候选片状材料与所述目标片状材料中的片材缺陷之间的缺陷位置距离是否小于预设差值；
若小于预设差值，则确定所述存在的片材缺陷的候选片状材料为所述目标片状材料对应的参考片状材料。
4.根据权利要求3所述的方法，其特征在于，检测所述目标片状材料之前收集的候选片状材料中是否存在片材缺陷，包括：
在各个片材生产设备生产的候选片状材料被配置为无序收集运送到片材检测设备的情况下，遍历检测所述目标片状材料之前连续收集的预设数量的候选片状材料中是否存在片材缺陷，所述预设数量是基于片材生成设备的设备数量进行确定。
5.根据权利要求3所述的方法，其特征在于，检测所述目标片状材料之前收集的候选片状材料中是否存在片材缺陷，包括：
在各个片材生产设备生产的候选片状材料被配置为按照第一收集方式进行收集运送到片材检测设备的情况下，从所述目标片状材料之前连续收集的候选片状材料确定第一片状材料，所述第一片状材料与所述目标片状材料之间间隔着预设数量的候选片状材料，所述第一收集方式为将各个片材生产设备生产的候选片状材料依照各个片材生产设备的次序进行循环收集，在每次循环收集过程中每个片材生产设备生产的候选片状材料收集一次；
检测所述第一片状材料中是否存在片材缺陷。
6.根据权利要求3所述的方法，其特征在于，检测所述目标片状材料之前收集的候选片状材料中是否存在片材缺陷，包括：
在各个片材生产设备生产的候选片状材料被配置为按照第二收集方式进行收集运送到片材检测设备的情况下，从所述目标片状材料之前连续收集的候选片状材料确定第二片状材料，所述第二片状材料为与所述目标片状材料在同一组进行连续收集且所述目标片状材料的上一个候选片状材料，所述第二收集方式为各个片材生产设备生产的候选片状材料按照不同的片材生产设备进行分组收集，同一组进行连续收集片状材料为同一个片材生成设备生成；
检测所述第二片状材料中是否存在片材缺陷。
7.根据权利要求1所述的方法，其特征在于，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，包括：
确定包含有目标片状材料中片材缺陷的目标缺陷图像；
通过预设缺陷提取模型从所述目标缺陷图像中提取第一目标缺陷特征信息，所述第一目标缺陷特征信息用于衡量所述目标缺陷图像中片材缺陷的缺陷属性的语义空间信息；
通过对目标缺陷图像进行轮廓分割，从所述目标缺陷图像中提取第二目标缺陷特征信息，所述第二目标缺陷特征信息用于衡量所述目标缺陷图像中片材缺陷的缺陷属性的视觉空间信息。
8.根据权利要求1所述的方法，其特征在于，确定参考片状材料中片材缺陷对应的参考缺陷特征信息，包括：
确定包含有参考片状材料中片材缺陷的参考缺陷图像；
通过预设缺陷提取模型从所述参考缺陷图像中提取第一参考缺陷特征信息，所述第一参考缺陷特征信息用于衡量所述参考缺陷图像中片材缺陷的缺陷属性的语义空间信息；
通过对参考缺陷图像进行轮廓分割，从所述参考缺陷图像中提取第二参考缺陷特征信息，所述第二参考缺陷特征信息用于衡量所述参考缺陷图像中片材缺陷的缺陷属性的视觉空间信息。
9.根据权利要求7或8所述的方法，其特征在于，所述预设缺陷提取模型是基于不同内核大小的二维卷积层模块与InceptionV3模块进行预先训练形成，不同内核大小的二维卷积层模块用于提取不同尺度的图像特征向量，所述InceptionV3模块用于最大限度地减少预设缺陷提取模型中的参数数量。
10.根据权利要求1所述的方法，其特征在于，依据目标缺陷特征信息与所述参考缺陷特征信息，确定所述目标片状材料上的片材缺陷是否为周期性缺陷，包括：
确定所述目标缺陷特征信息中语义空间信息与所述参考缺陷特征信息中语义空间信息之间的欧式距离并作为第一欧式距离；
确定所述目标缺陷特征信息中视觉空间信息与所述参考缺陷特征信息中视觉空间信息之间的欧式距离并作为第二欧式距离；
基于所述第一欧式距离与所述第二欧式距离，确定所述目标片状材料上的片材缺陷是否为周期性缺陷。
11.根据权利要求10所述的方法，其特征在于，基于所述第一欧式距离与所述第二欧式距离，确定所述目标片状材料上的片材缺陷是否为周期性缺陷，包括：
将所述第一欧式距离与所述第二欧式距离进行欧式距离加权融合得到融合后欧式距离；
基于所述融合后欧式距离确定所述目标片状材料上的片材缺陷与所述参考片状材料上的片材缺陷之间的片材缺陷相似度；
依据所述片材缺陷相似度确定所述目标片状材料上的片材缺陷是否为周期性缺陷。
12.一种片状材料的周期性缺陷检测装置，其特征在于，包括：
缺陷位置确定模块，用于确定目标片状材料以及确定所述目标片状材料是否存在对应的参考片状材料，所述目标片状材料中的片材缺陷与所述参考片状材料中的片材缺陷之间的缺陷位置距离小于预设差值，所述预设差值用于判断两个片材缺陷是否位于相同位置；
缺陷特征信息确定模块，用于若存在，确定目标片状材料中片材缺陷对应的目标缺陷特征信息，以及确定参考片状材料中片材缺陷对应的参考缺陷特征信息，所述缺陷特征信息包括用于衡量片状材料中片材缺陷的缺陷属性的语义空间信息以及用于衡量片状材料中片材缺陷的缺陷属性的视觉空间信息，其中，所述视觉空间信息包括片材缺陷面积、片材缺陷的外接矩形框尺寸、片材缺陷边界周长、片材缺陷的椭圆度及片材缺陷的纹理特征，所述语义空间信息由计算机从图像中提取出来的二维矩阵进行表示；
周期性缺陷确定模块，用于依据目标缺陷特征信息与所述参考缺陷特征信息，确定所述目标片状材料上的片材缺陷是否为周期性缺陷，所述周期性缺陷为片状材料在生产过程中由于前工序故障引起的缺陷。
13.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的片状材料的周期性缺陷检测方法。
14.一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指令，所述计算机指令用于使处理器执行时实现权利要求1-11中任一项所述的片状材料的周期性缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311266235.0A CN117007611B (zh) | 2023-09-28 | 2023-09-28 | 片状材料的周期性缺陷检测方法、装置、设备以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311266235.0A CN117007611B (zh) | 2023-09-28 | 2023-09-28 | 片状材料的周期性缺陷检测方法、装置、设备以及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117007611A CN117007611A (zh) | 2023-11-07 |
| CN117007611B true CN117007611B (zh) | 2024-01-09 |
Family
ID=88576542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311266235.0A Active CN117007611B (zh) | 2023-09-28 | 2023-09-28 | 片状材料的周期性缺陷检测方法、装置、设备以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117007611B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160095683A (ko) * | 2015-02-03 | 2016-08-12 | 삼성디스플레이 주식회사 | 표면 결함 검사 장치 및 그것을 이용한 표면 결함 검사 방법 |
| JP2017227621A (ja) * | 2016-06-15 | 2017-12-28 | 株式会社Ｓｃｒｅｅｎホールディングス | 外観検査装置、表面処理システム、外観検査方法、プログラム、および投射材交換判断方法 |
| CN112508857A (zh) * | 2020-11-17 | 2021-03-16 | 华南理工大学 | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 |
| CN113781424A (zh) * | 2021-09-03 | 2021-12-10 | 苏州凌云光工业智能技术有限公司 | 一种表面缺陷检测方法、装置及设备 |
| CN114612469A (zh) * | 2022-05-09 | 2022-06-10 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
| KR20220101373A (ko) * | 2021-01-11 | 2022-07-19 | 한국전자통신연구원 | 영상 기반 pcb 결함 검출 장치 및 방법 |
| CN114881989A (zh) * | 2022-05-23 | 2022-08-09 | 国网智能电网研究院有限公司 | 基于小样本目标对象缺陷检测的方法、装置、电子设备 |
| CN114897806A (zh) * | 2022-04-27 | 2022-08-12 | 浙江华睿科技股份有限公司 | 缺陷检测方法、电子设备及计算机可读存储介质 |
| KR20220125719A (ko) * | 2021-04-28 | 2022-09-14 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 목표 대상 검측 모델을 트레이닝하는 방법 및 장비, 목표 대상을 검측하는 방법 및 장비, 전자장비, 저장매체 및 컴퓨터 프로그램 |
| CN115876823A (zh) * | 2023-01-19 | 2023-03-31 | 合肥晶合集成电路股份有限公司 | 薄膜缺陷的检测方法、薄膜缺陷的检测装置及检测系统 |
| CN116297493A (zh) * | 2023-03-28 | 2023-06-23 | 南京钢铁股份有限公司 | 一种提高钢板缺陷检测准确度与相机故障容错率的方法 |
| CN116399873A (zh) * | 2023-06-07 | 2023-07-07 | 杭州百子尖科技股份有限公司 | 基于机器视觉的片材缺陷贴标方法、装置、设备以及介质 |
| CN116596854A (zh) * | 2023-04-24 | 2023-08-15 | 广东电网有限责任公司 | 一种设备缺陷的识别方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768386B (zh) * | 2020-06-30 | 2024-02-20 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
-
2023
- 2023-09-28 CN CN202311266235.0A patent/CN117007611B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160095683A (ko) * | 2015-02-03 | 2016-08-12 | 삼성디스플레이 주식회사 | 표면 결함 검사 장치 및 그것을 이용한 표면 결함 검사 방법 |
| JP2017227621A (ja) * | 2016-06-15 | 2017-12-28 | 株式会社Ｓｃｒｅｅｎホールディングス | 外観検査装置、表面処理システム、外観検査方法、プログラム、および投射材交換判断方法 |
| CN112508857A (zh) * | 2020-11-17 | 2021-03-16 | 华南理工大学 | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 |
| KR20220101373A (ko) * | 2021-01-11 | 2022-07-19 | 한국전자통신연구원 | 영상 기반 pcb 결함 검출 장치 및 방법 |
| KR20220125719A (ko) * | 2021-04-28 | 2022-09-14 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 목표 대상 검측 모델을 트레이닝하는 방법 및 장비, 목표 대상을 검측하는 방법 및 장비, 전자장비, 저장매체 및 컴퓨터 프로그램 |
| CN113781424A (zh) * | 2021-09-03 | 2021-12-10 | 苏州凌云光工业智能技术有限公司 | 一种表面缺陷检测方法、装置及设备 |
| CN114897806A (zh) * | 2022-04-27 | 2022-08-12 | 浙江华睿科技股份有限公司 | 缺陷检测方法、电子设备及计算机可读存储介质 |
| CN114612469A (zh) * | 2022-05-09 | 2022-06-10 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
| CN114881989A (zh) * | 2022-05-23 | 2022-08-09 | 国网智能电网研究院有限公司 | 基于小样本目标对象缺陷检测的方法、装置、电子设备 |
| CN115876823A (zh) * | 2023-01-19 | 2023-03-31 | 合肥晶合集成电路股份有限公司 | 薄膜缺陷的检测方法、薄膜缺陷的检测装置及检测系统 |
| CN116297493A (zh) * | 2023-03-28 | 2023-06-23 | 南京钢铁股份有限公司 | 一种提高钢板缺陷检测准确度与相机故障容错率的方法 |
| CN116596854A (zh) * | 2023-04-24 | 2023-08-15 | 广东电网有限责任公司 | 一种设备缺陷的识别方法、装置、设备及介质 |
| CN116399873A (zh) * | 2023-06-07 | 2023-07-07 | 杭州百子尖科技股份有限公司 | 基于机器视觉的片材缺陷贴标方法、装置、设备以及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究;代小红;陈华江;朱超平;;表面技术(第10期);362-371 * |
| 基于多任务深度学习的铝材表面缺陷检测;沈晓海;栗泽昊;李敏;徐晓龙;张学武;;激光与光电子学进展;第57卷(第10期);1-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117007611A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
| CN113421263B (zh) | 零件缺陷检测方法、设备、介质及计算机程序产品 | |
| CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
| CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
| CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
| CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
| CN110610475A (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
| CN115131283B (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
| CN116258707A (zh) | 一种基于改进的YOLOv5算法的PCB表面缺陷检测方法 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
| CN107622277A (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
| CN114419007B (zh) | 多策略融合深度学习网络模型的缺陷类型识别方法及系统 | |
| CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
| CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
| CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
| CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
| CN113657423A (zh) | 适用于小体积零件与堆叠零件的目标检测方法及其应用 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 | |
| CN116342585A (zh) | 一种产品缺陷检测方法、装置、设备及存储介质 | |
| CN111951218A (zh) | 一种混合深度学习模型的口红质检系统 | |
| CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |