用于检测零件缺陷的方法和装置制造方法及图纸

本申请实施例公开了用于检测零件缺陷的方法和装置。该方法的一具体实施方式包括：获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果，其中，缺陷检测模型集合用于检测零件存在的缺陷，检测结果包括待检测零件存在的缺陷类别。该实施方式涉及云计算领域，提高了对零件缺陷的检测准确度。

Method and device for defect detection of parts

【技术实现步骤摘要】
用于检测零件缺陷的方法和装置
本申请实施例涉及计算机
，具体涉及用于检测零件缺陷的方法和装置。
技术介绍
随着工业现代化程度越来越高，机器在生活中无处不在。例如，机器在电子、化工、航空航天等各个行业中都已得到广泛的应用。零件是机器的基本组成要素，也是机械制造过程中的基本单元。由于零件的轮廓、形状、大小都必须和最初设计时的精度一致才能满足机器装配需求，因此，在高速发展的工业环境下，检测零件缺陷是加工产业不可缺少的环节之一。目前，零件缺陷检测方式主要是人工质检。即，依靠人工肉眼对零件表面进行观察来确定零件是否存在缺陷。
技术实现思路
本申请实施例提出了用于检测零件缺陷的方法和装置。第一方面，本申请实施例提供了一种用于检测零件缺陷的方法，包括：获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果，其中，缺陷检测模型集合用于检测零件存在的缺陷，检测结果包括待检测零件存在的缺陷类别。在一些实施例中，在利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合之前，还包括：利用预处理方法对待检测表面图像集合进行预处理。在一些实施例中，检测结果还包括待检测零件存在的缺陷类别的位置和待检测零件存在预先确定的缺陷类别集合中的缺陷类别的置信度。在一些实施例中，利用预先训练的缺陷检测模型集合对待检测表面图像特征集合进行检测，得到待检测零件的缺陷检测结果，包括：对于缺陷类别集合中的缺陷类别，若缺陷检测模型集合中的多个缺陷检测模型检测到待检测零件存在该缺陷类别，基于多个缺陷检测模型的准确率和多个缺陷检测模型检测到的待检测零件存在该缺陷类别的置信度，生成待检测零件存在该缺陷类别的置信度。在一些实施例中，在利用预先训练的缺陷检测模型集合对待检测表面图像特征集合进行检测，得到待检测零件的缺陷检测结果之后，还包括：基于待检测零件的缺陷检测结果向终端设备发送展示信息。在一些实施例中，基于待检测零件的缺陷检测结果向终端设备发送展示信息，包括：获取待检测零件的缺陷标注结果；基于待检测零件的缺陷检测结果和缺陷标注结果，生成缺陷检测模型集合的准确率和召回率；向终端设备发送缺陷检测模型集合的准确率、召回率、准召率曲线和受试者工作特征曲线中的至少一项。在一些实施例中，基于待检测零件的缺陷检测结果向终端设备发送展示信息，还包括：基于待检测零件的缺陷检测结果和缺陷标注结果，生成待检测零件的良品率和缺陷率；向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项。在一些实施例中，在向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项之后，包括：确定良品率曲线是否处于第一预设范围，或者确定缺陷率曲线是否处于第二预设范围；若良品率曲线超出第一预设范围，或者缺陷率曲线超出第二预设范围，发送报警命令。在一些实施例中，缺陷类别集合通过如下步骤确定：获取在样本零件的多个预设角度采集的样本零件的样本表面图像集合；利用特征提取算法从样本表面图像集合中提取样本零件的样本表面特征集合；利用聚类算法对样本表面特征集合进行聚类，得到第一聚类结果；基于第一聚类结果，生成缺陷类别集合。在一些实施例中，多个特定角度通过如下步骤确定：将样本表面特征集合划分为多个预设角度对应的多个样本表面特征子集；利用聚类算法分别对多个样本表面特征子集进行聚类，得到多个预设角度对应的多个第二聚类结果；基于多个第二聚类结果，从多个预设角度中确定多个特定角度。在一些实施例中，聚类算法包括k均值聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和基于深度卷积神经网络的深度嵌入式聚类算法中的至少一项。在一些实施例中，缺陷检测模型集合通过如下步骤训练得到：对于缺陷检测模型集合中的缺陷检测模型，从样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集；利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集；将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。在一些实施例中，缺陷检测模型集合中的一个缺陷检测模型对应的样本表面图像子集是在样本零件的多个特定角度中的一个特定角度采集的样本零件的样本表面图像子集。在一些实施例中，特征提取算法包括候选区域生成网络算法、特征金字塔网络算法和深网算法中的至少一项。在一些实施例中，在利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集之前，还包括：利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理。在一些实施例中，预处理方法包括以下至少一项：调整明亮度、灰度、对比度中的至少一项；调整尺寸、偏移中的至少一项；自适应切图。在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，将该样本表面图像转换成对应的灰度表面图像；对该样本表面图像对应的灰度表面图像进行二值化，得到该样本表面图像对应的二值化表面图像；确定该样本表面图像对应的二值化表面图像中的样本零件的轮廓；基于该样本表面图像对应的二值化表面图像中的样本零件的轮廓对该样本表面图像进行切图。在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件倾斜，计算该样本表面图像的仿射变换矩阵和旋转矩阵；利用该样本表面图像的仿射变换矩阵和旋转矩阵对该样本表面图像进行仿射变换，生成该样本表面图像对应的新的样本表面图像。在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是边缘碰伤或脏污，调节该样本表面图像的决策区域的数目。在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是起皮，调整该样本表面图像的明亮度和对比度。在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是变形，调整该样本表面图像的对比度，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是窗口毛刺，提取该样本表面图像中的样本零件的窗口轮廓，将该样本表面图像中的样本零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该样本表面图像中的样本零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图。在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括本文档来自技高网...

【技术保护点】
1.一种用于检测零件缺陷的方法，包括：获取在待检测零件的多个特定角度采集的所述待检测零件的待检测表面图像集合；利用特征提取算法从所述待检测表面图像集合中提取所述待检测零件的待检测表面特征集合；利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果，其中，所述缺陷检测模型集合用于检测零件存在的缺陷，所述检测结果包括所述待检测零件存在的缺陷类别。

【技术特征摘要】
1.一种用于检测零件缺陷的方法，包括：获取在待检测零件的多个特定角度采集的所述待检测零件的待检测表面图像集合；利用特征提取算法从所述待检测表面图像集合中提取所述待检测零件的待检测表面特征集合；利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果，其中，所述缺陷检测模型集合用于检测零件存在的缺陷，所述检测结果包括所述待检测零件存在的缺陷类别。2.根据权利要求1所述的方法，其中，在所述利用特征提取算法从所述待检测表面图像集合中提取所述待检测零件的待检测表面特征集合之前，还包括：利用预处理方法对所述待检测表面图像集合进行预处理。3.根据权利要求1或2所述的方法，其中，所述检测结果还包括所述待检测零件存在的缺陷类别的位置和所述待检测零件存在预先确定的缺陷类别集合中的缺陷类别的置信度。4.根据权利要求3所述的方法，其中，所述利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果，包括：对于所述缺陷类别集合中的缺陷类别，若所述缺陷检测模型集合中的多个缺陷检测模型检测到所述待检测零件存在该缺陷类别，基于所述多个缺陷检测模型的准确率和所述多个缺陷检测模型检测到的所述待检测零件存在该缺陷类别的置信度，生成所述待检测零件存在该缺陷类别的置信度。5.根据权利要求1所述的方法，其中，在所述利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果之后，还包括：基于所述待检测零件的缺陷检测结果向终端设备发送展示信息。6.根据权利要求5所述的方法，其中，所述基于所述待检测零件的缺陷检测结果向终端设备发送展示信息，包括：获取所述待检测零件的缺陷标注结果；基于所述待检测零件的缺陷检测结果和缺陷标注结果，生成所述缺陷检测模型集合的准确率和召回率；向所述终端设备发送所述缺陷检测模型集合的准确率、召回率、准召率曲线和受试者工作特征曲线中的至少一项。7.根据权利要求6所述的方法，其中，所述基于所述待检测零件的缺陷检测结果向终端设备发送展示信息，还包括：基于所述待检测零件的缺陷检测结果和缺陷标注结果，生成所述待检测零件的良品率和缺陷率；向所述终端设备发送所述待检测零件的良品率曲线和缺陷率曲线中的至少一项。8.根据权利要求7所述的方法，其中，在所述向所述终端设备发送所述待检测零件的良品率曲线和缺陷率曲线中的至少一项之后，包括：确定所述良品率曲线是否处于第一预设范围，或者确定所述缺陷率曲线是否处于第二预设范围；若所述良品率曲线超出所述第一预设范围，或者所述缺陷率曲线超出所述第二预设范围，发送报警命令。9.根据权利要求3所述的方法，其中，所述缺陷类别集合通过如下步骤确定：获取在样本零件的多个预设角度采集的所述样本零件的样本表面图像集合；利用所述特征提取算法从所述样本表面图像集合中提取所述样本零件的样本表面特征集合；利用聚类算法对所述样本表面特征集合进行聚类，得到第一聚类结果；基于所述第一聚类结果，生成所述缺陷类别集合。10.根据权利要求9所述的方法，其中，所述多个特定角度通过如下步骤确定：将所述样本表面特征集合划分为所述多个预设角度对应的多个样本表面特征子集；利用所述聚类算法分别对所述多个样本表面特征子集进行聚类，得到所述多个预设角度对应的多个第二聚类结果；基于所述多个第二聚类结果，从所述多个预设角度中确定所述多个特定角度。11.根据权利要求9或10所述的方法，其中，所述聚类算法包括k均值聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和基于深度卷积神经网络的深度嵌入式聚类算法中的至少一项。12.根据权利要求9所述的方法，其中，所述缺陷检测模型集合通过如下步骤训练得到：对于所述缺陷检测模型集合中的缺陷检测模型，从所述样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集；利用所述特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集；将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。13.根据权利要求12所述的方法，其中，所述缺陷检测模型集合中的一个缺陷检测模型对应的样本表面图像子集是在所述样本零件的所述多个特定角度中的一个特定角度采集的所述样本零件的样本表面图像子集。14.根据权利要求12所述的方法，其中，所述特征提取算法包括候选区域生成网络算法、特征金字塔网络算法和深网算法中的至少一项。15.根据权利要求12所述的方法，其中，在所述利用所述特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集之前，还包括：利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理。16.根据权利要求15所述的方法，其中，所述预处理方法包括以下至少一项：调整明亮度、灰度、对比度中的至少一项；调整尺寸、偏移中的至少一项；自适应切图。17.根据权利要求16所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于所述样本表面图像子集中的样本表面图像，将该样本表面图像转换成对应的灰度表面图像；对该样本表面图像对应的灰度表面图像进行...

【专利技术属性】
技术研发人员：黄特辉，刘明浩，聂磊，郭江亮，苏业，邹建法，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京,11