物体色差缺陷检测方法、装置、计算机设备及存储介质制造方法及图纸

本申请涉及一种物体色差缺陷检测方法、装置、计算机设备及存储介质，通过对多元彩色图像进行主成分分析，能对待测物体图像进行多元分析，得到待测物体的单通道图像，并将提取的单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，自动对待测物体图像的像素色差缺陷进行对比检测，根据待测物体图像的像素缺陷检测结果，得到待测物体的色差缺陷检测结果，无需人工操作，进行自动化学习检测，结果准确。

Detection method, device, computer equipment and storage medium of object color difference defect

【技术实现步骤摘要】
物体色差缺陷检测方法、装置、计算机设备及存储介质
本申请涉及检测
，特别是涉及一种物体色差缺陷检测方法、装置、计算机设备及存储介质。
技术介绍
目前，随着机械化生产的迅猛发展，机械设备、生活用品等实现了机械化批量生产，然而某些产品设备对表面形状、颜色等要求高，通过机械化生产出来的产品需要对表面色差等缺陷进行检测，才能进行出厂。传统的表面色差检测方法是通过安排专业的质检人员采用人工目测的作业方式，实现对待测物体表面色差缺陷进行检测。但是采用人工目测，个人评判标准不一，易受主观因素的影响，并且人工劳动强度大，形成视觉疲劳影响检测结果，导致检测结果不准确。
技术实现思路
基于此，有必要针对检测结果不准确的问题，提供一种检测结果准确的物体色差缺陷检测方法、装置、计算机设备及存储介质。一种物体色差缺陷检测方法，包括：获取待测物体的多元彩色图像；对多元彩色图像进行主成分分析，获取待测物体的单通道图像；提取单通道图像的像素点灰度值；将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP(backpropagation)神经网络模型，获取像素缺陷检测结果；根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。在其中一个实施例中，将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果之前，还包括：构建BP神经网络初始模型，BP神经网络初始模型的输入层由单通道图像的像素点灰度值作为输入向量构建，BP神经网络初始模型的输出层由各待测物体的像素缺陷检测结果作为输出向量构建，BP神经网络模型的隐含层由输入向量和输出向量之间的映射关系构建；根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型。在其中一个实施例中，根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型包括：采用均方误差函数mse(meansquareerror)对BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到BP神经网络模型。在其中一个实施例中，获取待测物体的多元彩色图像包括：采集待测物体的图像；对待测物体的图像进行卷积处理，获取待测物体的多尺度图像；将待测物体的多尺度图像转换为待测物体的多元彩色图像。在其中一个实施例中，对多元彩色图像进行主成分分析，获取单通道图像包括：展开多元彩色图像，获取对应的二维数据矩阵；对二维数据矩阵进行标准化处理，获取协方差矩阵；对协方差矩阵进行特征值分解，获取特征值和特征向量；根据特征向量和特征值进行矩阵转换，获取特征图像，特征图像为多个；依次计算特征图像的方差贡献率；选取累计方差贡献率达到预设阈值的特征图像作为单通道图像。在其中一个实施例中，根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果之后，还包括：当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记。在其中一个实施例中，当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记之后，还包括：记录色差缺陷区域的数量；根据色差缺陷区域的数量，发送缺陷预警消息。一种物体色差缺陷检测装置，包括：多元图像获取模块，用于获取待测物体的多元彩色图像；单通道图像获取模块，用于对多元彩色图像进行主成分分析，获取待测物体的单通道图像；灰度值提取模块，用于提取单通道图像的像素点灰度值；像素缺陷结果获取模块，用于将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；色差缺陷结果获取模块，用于根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：获取待测物体的多元彩色图像；对多元彩色图像进行主成分分析，获取待测物体的单通道图像；提取单通道图像的像素点灰度值；将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待测物体的多元彩色图像；对多元彩色图像进行主成分分析，获取待测物体的单通道图像；提取单通道图像的像素点灰度值；将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。上述物体色差缺陷检测方法、装置、计算机设备及存储介质。通过对多元彩色图像进行主成分分析，能对待测物体图像进行多元分析，得到待测物体的单通道图像，并将提取的单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，自动对待测物体图像的像素色差缺陷进行对比检测，根据待测物体图像的像素缺陷检测结果，得到待测物体的色差缺陷检测结果，无需人工操作，进行自动化学习检测，结果准确。附图说明图1为上述物体色差缺陷检测方法其中一个实施例流程示意图；图2为上述物体色差缺陷检测方法另一个实施例流程示意图；图3为上述物体色差缺陷检测装置其中一个实施例结构示意图；图4为计算机设备其中一个实施例内部结构示意图。具体实施方式在本方案中，待测物体可以包括各种材质、各种设备的物体，例如，铁板、木板、不锈钢钢板等，为了方便对本方案进行说明，选取待测物体为不锈钢钢板为例进行解释。为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在其中一个实施例中，如图1所示，提供了一种物体色差缺陷检测方法，包括以下步骤：S110：获取待测物体的多元彩色图像。多元彩色图像是表示同一个对象多个不同性质的观测量，在空间上对应一致的多个通道图像数据，即在灰度值上叠加多种通道的图像，单通道图像的像素坐标与二维数据矩阵相对应，多元图像在二维的基础上增加了一维尺度信息，为三维彩色图像。其中，尺度变量可以用任何参数来表示。以待测物体为不锈钢钢板为例，获取不锈钢钢板的多元彩色图像。S120：对多元彩色图像进行主成分分析，获取待测物体的单通道图像。主成分分析时将多个变量通过正交变换以选出较少个数的重要变量即主成分的一种多元统计分析法，也是一种常用的降维方法。一般而言，图像包括由像素点组成的像素图，就是以单个像素点为单位有规律的巧妙组合与排列，形成的本文档来自技高网...

【技术保护点】
1.一种物体色差缺陷检测方法，其特征在于，所述方法包括：/n获取待测物体的多元彩色图像；/n对所述多元彩色图像进行主成分分析，获取所述待测物体的单通道图像；/n提取所述单通道图像的像素点灰度值；/n将所述单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；/n根据所述像素缺陷检测结果，得到所述待测物体的物体色差缺陷检测结果。/n

【技术特征摘要】
1.一种物体色差缺陷检测方法，其特征在于，所述方法包括：
获取待测物体的多元彩色图像；
对所述多元彩色图像进行主成分分析，获取所述待测物体的单通道图像；
提取所述单通道图像的像素点灰度值；
将所述单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；
根据所述像素缺陷检测结果，得到所述待测物体的物体色差缺陷检测结果。


2.根据权利要求1所述物体色差缺陷检测方法，其特征在于，所述将所述单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果之前，还包括：
构建BP神经网络初始模型，所述BP神经网络初始模型的输入层由所述单通道图像的像素点灰度值作为输入向量构建，所述BP神经网络初始模型的输出层由所述各待测物体的像素缺陷检测结果作为输出向量构建，所述BP神经网络模型的隐含层由所述输入向量和输出向量之间的映射关系构建；
根据所述各待测物体单通道图像的像素点灰度值，通过梯度下降算法对所述BP神经网络初始模型进行训练，得到所述BP神经网络模型。


3.根据权利要求2所述物体色差缺陷检测方法，其特征在于，所述根据所述各待测物体单通道图像的像素点灰度值，通过梯度下降算法对所述BP神经网络初始模型进行训练，得到所述BP神经网络模型包括：
采用均方误差函数mse对所述BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到所述BP神经网络模型。


4.根据权利要求1所述物体色差缺陷检测方法，其特征在于，所述获取待测物体的多元彩色图像包括：
采集所述待测物体的图像；
对所述待测物体的图像进行卷积处理，获取所述待测物体的多尺度图像；
将所述待测物体的多尺度图像转换为所述待测物体的多元彩色图像。


5.根据权利要求1所述物体色差缺陷检测方法，其特征在于，所述对多元彩色图像进行主成分分析，获取单通道图像包括：
展开所述多元彩色图像，获取对应的...

【专利技术属性】
技术研发人员：戴志威，
申请(专利权)人：研祥智能科技股份有限公司，
类型：发明
国别省市：广东;44