划痕检测方法、装置和电子设备制造方法及图纸

本发明专利技术实施例提供了一种划痕检测方法、装置和电子设备，所述方法包括：获取待检测工件的图像；采用预先训练获得的划痕识别模型对所述图像进行识别，确定所述待检测工件表面是否具有划痕，其中，所述划痕识别模型是对卷积神经网络进行分类训练后获得的。通过实施本方案的实施例，可以提高划痕检测的检测效率。

Scratch detection methods, devices and electronic equipment

The embodiment of the invention, a scratch detection method, device and electronic device is provided, the method comprises: acquiring images of the tested workpiece; the pre training for the scratch recognition model identification for the image to be detected, determining that the workpiece surface is scratch, among them, the recognition model is scratch get the classification training on convolutional neural network after. By implementing the implementation example of this scheme, the detection efficiency of scratch detection can be improved.

【技术实现步骤摘要】
划痕检测方法、装置和电子设备
本专利技术涉及工件质量检测
，尤其涉及一种划痕检测方法、装置和电子设备。
技术介绍
如今，随着工业的发展，人们对于工业制造的工件的质量要求越来越高，其中，查看工件的外观是否完好是反映工件质量高低最直观的方式。因此，从生产制造角度来讲，在生产工件后对其外观的检测至关重要，尤其是检测所生产工件表面是否有划痕。现有的划痕检测方法主要为：检测人员人工地将待检测工件放置在显微镜下，进而进行人工检测，显微镜可以对外观的破损进行放大，进而方便检测人员进行观察以达到划痕检测目的。但是，以人工的方式进行划痕检测，检测效率极低。
技术实现思路
有鉴于此，本专利技术实施例提供一种划痕检测方法、装置和电子设备，用以提高划痕检测的检测效率。第一方面，本专利技术实施例提供了一种划痕检测方法，包括：获取待检测工件的图像；采用预先训练获得的划痕识别模型对所述图像进行识别，确定所述待检测工件表面是否具有划痕，其中，所述划痕识别模型是对卷积神经网络进行分类训练后获得的。第二方面，本专利技术实施例提供了一种划痕检测装置，包括：获取模块，用于获取待检测工件的图像；识别模块，用于采用预先训练获得的划痕识别模型对所述图像进行识别，确定所述待检测工件表面是否具有划痕，其中，所述划痕识别模型是对卷积神经网络进行分类训练后获得的。第三方面，本专利技术实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现本专利技术实施例第一方面提供的划痕检测方法。第四方面，本专利技术实施例提供了一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现本专利技术实施例第一方面提供的划痕检测方法。本专利技术实施例所提供的一种划痕检测方法、装置和电子设备，通过预先训练获得的划痕识别模型识别待检测工件的图像，进而确定待检测工件表面是否有划痕。通过该方案，可以自动化地、准确地实现对工件表面划痕的检测，提高了检测效率。附图说明为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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为本专利技术实施例提供的划痕检测方法的流程图；图2(a)为本专利技术实施例中划痕识别模型特征提取层的卷积层的可选输出结果；图2(b)为本专利技术实施例中划痕识别模型特征提取层的池化层的可选输出结果；图2(c)为本专利技术实施例中划痕识别模型的一可选形式；图3本专利技术实施例中划痕识别模型的全连接层的权值训练过程的流程图；图4为专利技术实施例提供的划痕检测装置的结构示意图；图5为专利技术实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。在本专利技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术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，“多种”一般包含至少两种，但是不排除包含至少一种的情况。应当理解，本文中使用的术语“和/或”仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。应当理解，尽管在本专利技术实施例中可能采用术语第一、第二、第三等来描述XXX，但这些XXX不应限于这些术语。这些术语仅用来将XXX区分开。例如，在不脱离本专利技术实施例范围的情况下，第一XXX也可以被称为第二XXX，类似地，第二XXX也可以被称为第一XXX。取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。进一步值得说明的是，本专利技术各实施例中各步骤之间的顺序是可以调整的，不是必须按照以下举例的顺序执行。本专利技术实施例提供的划痕检测方法，可以用于电子设备。该电子设备可以为通用计算机、或者具有某一专用功能的物理机等。具体地，本专利技术实施例提供的方法还可以应用于运行在电子设备上的划痕检测装置。划痕检测装置可以为专用于划痕检测的软件，当然还可以为图像识别、图像处理等相关软件的功能插件。如图1所示，本专利技术实施例提供的一种划痕检测方法，包括如下步骤：S101：获取待检测工件的图像。如今工业制造领域中大多使用机器对工件进行自动化生产，在生产过程中可能由于种种原因对导致工件的外观损坏，外观损坏的工件轻则影响美观，若外观损坏程度严重可能影响工件的功能。因此，在生产工件后，需要对工件的外观进行检测。其中，待检测工件的图像可以为从预设拍摄角度对待检测工件的一个或多个平面拍摄的图片。预设拍摄角度可以为待检测工件的正面对应的角度、侧面对应的角度等。本实施例中的图像可以为位图图像。S102：采用预先训练获得的划痕识别模型对上述图像进行识别，确定上述待检测工件表面是否具有划痕，其中，上述划痕识别模型是对卷积神经网络进行分类训练后获得的。具体地，将上述图像输入至划痕识别模型后，划痕识别模型提取上述图像的图像特征，对所提取的图像特征进行识别，进而判断出上述图像中是否存在划痕。可以理解的是，通过以大量训练样本图像对具有预设结构的卷积神经网络进行分类训练，最终得到的卷积神经网络即为上述划痕识别模型。其中，该大量训练样本图像中包括：具有划痕的众多样本图像以及不具有划痕的众多样本图像。其中，具有划痕的众多样本图像可以通过对具有划痕的若干工件进行拍照获得，同样的，不具有划痕的众多样本图像可以通过对不具有划痕的若干工件进行拍照获得。其中，样本图像是否具有划痕是指样本图像中是否具有划痕这类图像元素，并非指样本图像表面具有划痕与否。由此，本专利技术实施例通过划痕识别模型对待检测工件的图像进行识别，进而判断出待检测工件表面是否存在划痕，进而完成划痕检测。通过该方案，可以自动化地、准确地实现对工件表面划痕的检测，提高了检测效率。实际应用过程中，上述划痕识别模型可以依次包括特征提取层和全连接层，特征提取层包括至少一层卷积层和至少一层池化层。可选地，卷积层数量可以依据所需要的特征提取程度进行设置，需要的特征提本文档来自技高网...

【技术保护点】
一种划痕检测方法，其特征在于，包括：获取待检测工件的图像；采用预先训练获得的划痕识别模型对所述图像进行识别，确定所述待检测工件表面是否具有划痕，其中，所述划痕识别模型是对卷积神经网络进行分类训练后获得的。

【技术特征摘要】
1.一种划痕检测方法，其特征在于，包括：获取待检测工件的图像；采用预先训练获得的划痕识别模型对所述图像进行识别，确定所述待检测工件表面是否具有划痕，其中，所述划痕识别模型是对卷积神经网络进行分类训练后获得的。2.根据权利要求1所述的方法，其特征在于，所述划痕识别模型依次包括特征提取层和全连接层，所述特征提取层包括至少一层卷积层和至少一层池化层，所述全连接层对应的权值通过如下迭代方式训练确定：确定第k次迭代对应的退火温度Tk，k大于或等于1；若Tk大于预设截止温度，则将所述全连接层对应的权值由Wij(k-1)更新为Wij(k)，其中Wij(k-1)为第k-1次迭代时对应的权值，i和j为全连接层中连接的任意两个神经元；将训练样本图像输入至所述划痕识别模型，获取所述划痕识别模型当前的实际输出结果；根据所述实际输出结果和所述训练样本图像对应的期望输出结果确定所述划痕识别模型当前的误差函数值；根据所述误差函数值与所述Wij(k-1)对应的误差函数值的比较结果，确定所述划痕识别模型当前对应的权值；更新退火温度。3.根据权利要求2所述的方法，其特征在于，所述将所述全连接层对应的权值由Wij(k-1)更新为Wij(k)，包括：根据如下公式更新所述Wij(k-1)：wij(k)＝wij(k-1)+ηξ，其中，η为预设扰动幅值，ξ为预设扰动变量。4.根据权利要求2所述的方法，其特征在于，所述根据所述实际输出结果和所述训练样本图像对应的期望输出结果确定所述划痕识别模型当前的误差函...

【专利技术属性】
技术研发人员：陈茁，班永杰，王剑龙，马立，刘文文，刘金玉，闫秀英，
申请(专利权)人：歌尔股份有限公司，
类型：发明
国别省市：山东,37