产品表面缺陷检测方法、装置和计算机设备制造方法及图纸

本申请公开了产品表面缺陷检测方法及装置、计算机设备及计算机可读介质，该方法包括获取包含产品表面的待检测图像；利用第一神经网络模型对所述待检测图像进行检测，以确定所述待检测图像所包含的产品表面是否存在缺陷；其中，所述第一神经网络模型是利用遗传算法对已训练好的第二神经网络模型进行压缩处理获得的，所述第二神经网络模型是利用预置的训练样本训练得到的，所述第一神经网络模型基于所述训练样本的精度不低于预设精度。该方法及装置利用通过遗传算法压缩处理后的神经网络模型对产品表面进行缺陷检测，具有计算量和存储空间较低的优点，可应用于存储和计算资源都受限的设备。

【技术实现步骤摘要】
产品表面缺陷检测方法、装置和计算机设备
本申请涉及计算机应用
，尤其涉及一种产品表面缺陷检测方法及装置、计算机设备及计算机可读介质。
技术介绍
近年来，随着人工智能的发展，神经网络(NeuralNetwork，NN)算法被广泛应用于产品表面缺陷检测领域，例如织物疵点检测、电子零部件表面缺陷检测等。然而，检测效果较好的深度神经网络往往有着数量较大的节点(神经元)和模型参数，不仅计算量大而且在实际部署中模型占据较大一部分空间，限制了其应用于存储和计算资源都受限的设备。
技术实现思路
鉴于以上问题，本专利技术的实施例提供一种产品表面缺陷检测方法及装置、计算机设备及计算机可读介质，其用于产品表面缺陷检测的神经网络模型计算量和存储空间较低，可以应用于存储和计算资源都受限的设备。按照本专利技术的实施例的产品表面缺陷检测方法，包括：获取包含产品表面的待检测图像；利用第一神经网络模型对所述待检测图像进行检测，以确定所述待检测图像所包含的产品表面是否存在缺陷；其中，所述第一神经网络模型是利用遗传算法对已训练好的第二神经网络模型进行压缩处理获得的，所述第二神经网络模型是利用预置的训练样本训练得到的，所本文档来自技高网...

【技术保护点】
1.产品表面缺陷检测方法，包括：获取包含产品表面的待检测图像；利用第一神经网络模型对所述待检测图像进行检测，以确定所述待检测图像所包含的产品表面是否存在缺陷；其中，所述第一神经网络模型是利用遗传算法对已训练好的第二神经网络模型进行压缩处理获得的，所述第二神经网络模型是利用预置的训练样本训练得到的，所述第一神经网络模型基于所述训练样本的精度不低于预设精度。

【技术特征摘要】
1.产品表面缺陷检测方法，包括：获取包含产品表面的待检测图像；利用第一神经网络模型对所述待检测图像进行检测，以确定所述待检测图像所包含的产品表面是否存在缺陷；其中，所述第一神经网络模型是利用遗传算法对已训练好的第二神经网络模型进行压缩处理获得的，所述第二神经网络模型是利用预置的训练样本训练得到的，所述第一神经网络模型基于所述训练样本的精度不低于预设精度。2.根据权利要求1所述的方法，其中，所述利用遗传算法对已训练好的第二神经网络模型进行压缩处理，包括：以基于压缩的适应度值为标准，对所述第二神经网络模型所对应的染色体个体执行遗传操作，以产生适应度值最优的染色体个体；利用所述训练样本对所述适应度值最优的染色体个体所对应的神经网络模型进行训练，以获得所述第一神经网络模型。3.根据权利要求2所述的方法，其中，所述对所述第二神经网络模型所对应的染色体个体执行遗传操作，以产生适应度值最优的染色体个体，包括：获取所述第二神经网络模型的结构信息；根据所述结构信息，对所述第二神经网络模型进行编码，以得到一染色体；根据所述染色体，进行群体初始化生成初始群体；计算群体中染色体个体的适应度值；判断是否达到终止条件；若未达到所述终止条件，则以适应度值为标准，选择部分适应度值满足要求的染色体个体，执行复制、交叉或变异操作，从而产生新一代群体，然后返回所述计算群体中染色体个体的适应度值步骤；若达到所述终止条件，则输出所述适应度值最优的染色体个体。4.根据权利要求3所述的方法，其中，所述计算群体中染色体个体的适应度值，包括：分别计算所述染色体个体基于精度和基于压缩的适应度值；相应的，所述以适应度值为标准，选择部分适应度值满足要求的染色体个体，执行复制、交叉或变异操作，从而产生新一代群体，包括：根据所述基于精度的适应度值，获取所述群体中染色体个体的第一选择概率，根据所述第一选择概率选择第一染色体个体，以及，根据所述基于压缩的适应度值，获取所述群体中染色体个体的第二选择概率，根据所述第二选择概率从所述第一染色体个体中选择第二染色体个体；对所述第二染色体个体执行复制、交叉或变异操作，从而产生新一代群体。5.产品表面缺陷检测装置，包括：获取模块，用于获取包含产品表面的待检测图像；检测模...

【专利技术属性】
技术研发人员：金玲玲，饶东升，何文玮，
申请(专利权)人：深圳灵图慧视科技有限公司，
类型：发明
国别省市：广东,44