缺陷分类识别方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种缺陷分类识别方法、装置、计算机设备和存储介质，所述方法通过获取原始图像，按照预设滑动窗口和滑动步长将原始图像分割成多个子图像，将各个子图像输入已训练的缺陷识别模型中，通过已训练的深度卷积网络模型提取各个子图像的图像特征，将各个子图像的图像特征输入分类识别模型，得到各个子图像的缺陷的分类识别结果，根据各个子图像的缺陷的分类识别结果确定原始图像的缺陷类型。通过对图像进行分割，将分割后的图像通过已训练的深度卷积网络模型快速、准确的提取图像的特征，分类识别模型对提取的特征进行分类识别得到对应的分类识别结果，提高了识别速度和识别准确率。

Defect Classification and Recognition Method, Device, Computer Equipment and Storage Media

This application relates to a defect classification and recognition method, device, computer equipment and storage medium. The method divides the original image into several sub-images according to the preset sliding window and sliding step size by acquiring the original image, inputs each sub-image into the trained defect recognition model, and extracts the image features of each sub-image through the trained depth convolution network model. The image features of each sub-image are input into the classification and recognition model, and the classification and recognition results of each sub-image defect are obtained. The defect types of the original image are determined according to the classification and recognition results of each sub-image defect. Through image segmentation, the segmented image is extracted quickly and accurately through the trained depth convolution network model. The classification and recognition model classifies and recognizes the extracted features to obtain the corresponding classification and recognition results, which improves the recognition speed and accuracy.

【技术实现步骤摘要】
缺陷分类识别方法、装置、计算机设备和存储介质
本申请涉及计算机
，尤其涉及一种缺陷分类识别方法、装置、计算机设备和存储介质。
技术介绍
目前，针对材料的表面缺陷的检测，主要依靠人工检测，通过工人对加工好的产品进行现场观察，并对缺陷进行评价来确定产品是否合格。由于检测人员的主观标准很难达成统一，使得检测的实时性和准确性难以满足需求。随着工业生产的速度越来越快，用于检测的人工投入成本越来越大，实时性受到严重影响，误检率也相应增大。为了解决上述技术问题技术人员研发了相应的自动化检测方法与装置，主要是采用图像检测方法，例如采用典型的纹理特征如Gabor小波纹理、灰度共生矩阵纹理、Hu矩特征等。由于材料表面缺陷形式多种多样，尺度和对比度差异较大，现有的检测方法难以满足工业生产的高效、精确的需求。
技术实现思路
为了解决上述技术问题，本申请提供了一种缺陷分类识别方法、装置、计算机设备和存储介质。一种缺陷分类识别方法，包括：获取原始图像，按照预设滑动窗口和滑动步长将原始图像分割成多个子图像；将各个子图像输入已训练的缺陷识别模型中，已训练的缺陷识别模型包含已训练的深度卷积网络模型和分类识别模型；通本文档来自技高网...

【技术保护点】
1.一种缺陷分类识别方法，其特征在于，所述方法包括：获取原始图像，按照预设滑动窗口和滑动步长将所述原始图像分割成多个子图像；将各个所述子图像输入已训练的缺陷识别模型中，所述已训练的缺陷识别模型包含已训练的深度卷积网络模型和分类识别模型；通过所述已训练的深度卷积网络模型提取各个所述子图像的图像特征；将各个所述子图像的图像特征输入所述分类识别模型，得到各个所述子图像的缺陷的分类识别结果；根据各个所述子图像的缺陷的分类识别结果确定所述原始图像的缺陷类型。

【技术特征摘要】
1.一种缺陷分类识别方法，其特征在于，所述方法包括：获取原始图像，按照预设滑动窗口和滑动步长将所述原始图像分割成多个子图像；将各个所述子图像输入已训练的缺陷识别模型中，所述已训练的缺陷识别模型包含已训练的深度卷积网络模型和分类识别模型；通过所述已训练的深度卷积网络模型提取各个所述子图像的图像特征；将各个所述子图像的图像特征输入所述分类识别模型，得到各个所述子图像的缺陷的分类识别结果；根据各个所述子图像的缺陷的分类识别结果确定所述原始图像的缺陷类型。2.根据权利要求1所述的方法，其特征在于，生成所述已训练的缺陷识别模型训练的步骤，包括：获取包含多个训练图像组的训练图像集合和各个训练图像的标签，所述训练图像组包括缺陷图像、对应的无缺陷图像和对应的构造图像，所述构造图像为根据所述缺陷图像的缺陷区域进行填充得到的；构造缺陷识别模型；将各个所述训练图像组的各个训练图像和对应的标签输入所述缺陷识别模型中的深度卷积网络模型，通过所述深度卷积网络模型对各个所述训练图像进行特征提取，得到对应的训练特征图组；将所述训练特征图组输入所述缺陷识别模型中的分类识别模型中，得到各个所述训练特征图组的分类识别结果；根据所述训练特征图组、对应的分类识别结果、和对应的所述标签更新所述缺陷识别模型的参数，直至所述缺陷识别模型满足收敛条件，得到所述已训练的缺陷识别模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练特征图组、对应的分类识别结果、和对应的所述标签更新所述缺陷识别模型的参数，直至所述缺陷识别模型满足收敛条件，得到所述已训练的缺陷识别模型，包括：获取所述缺陷识别模型中的深度卷积网络模型的损失函数；将各个所述训练图像组中的各个所述训练图像的训练特征图按照对应的标签带入所述损失函数，得到对应的损失值；根据所述各个所述训练图像组中各个图像对应的分类识别结果和标签确定所述缺陷识别模型中的分类识别模型的识别准确率；根据所述识别准确率和所述损失值调整所述缺陷识别模型中的深度卷积网络模型的参数，直至所述缺陷识别模型满足所述收敛条件，得到所述已训练的缺陷识别模型。4.根据权利要求3所述的方法，其特征在于，所述将各个所述训练图像组中的各个所述训练图像的训练特征图按照对应的标签带入所述损失函数，得到对应的损失值，包括：计算各个所述缺陷图像的训练特征图与对应的所述构造图像的训练特征图的第一距离；计算各个所述构造图像训练特征图与对应的各个所述无缺陷图像的训练特征图的第二距离；各个所述训练图像组对应的所述第一距离和所述第二距离加权求和，得到所述损失值。5.根据权利要求1所述的方法，其特征在于，所述将各个所述子图像的图像特征输入所述分类识别模型，得到各个所述子图像的缺陷的分类识别结果，包括：计算各个所述子图像的图像特征在K邻域中各个特征向量之...

【专利技术属性】
技术研发人员：陶显，刘希龙，顾庆毅，
申请(专利权)人：中国科学院自动化研究所，中国科学院自动化研究所南京人工智能芯片创新研究院，
类型：发明
国别省市：北京,11