一种基于机器视觉的产品异常检测方法、装置及设备制造方法及图纸

本申请涉及产品检测技术领域，尤其涉及一种基于机器视觉的产品异常检测方法、装置及设备。其中，所述方法包括：将待测产品的产品图像输入预先训练好的卷积神经网络模型，以使所述卷积神经网络模型从所述产品图像中提取产品特征数据并根据所述产品特征数据重构所述待测产品的重构图像；判断所述重构图像和产品图像之间的差值是否小于设定阈值，如果小于设定阈值，则确定所述待测产品为良品；否则为确定所述待测产品为次品。本发明专利技术实施例方案基于卷积神经网络模型能够自动检测产品是良品还是次品，降低对人工的依赖，而且所述的卷积神经网络模型在训练过程中可以仅在良品数据上做训练就能自动区分出良品和次品，检测速度快，识别精度高。

A method, device and equipment of product anomaly detection based on machine vision

【技术实现步骤摘要】
一种基于机器视觉的产品异常检测方法、装置及设备
本申请涉及产品检测
，尤其涉及一种基于机器视觉的产品异常检测方法、装置及设备。
技术介绍
随着工业生产水平的不断提高，产出的产品越来越多，面对与日俱增的产品，如何快速筛选出良品，过滤掉有缺陷的次品，成为亟需解决的问题。现有技术中检测产品缺陷的方法主要有两种：一种是依靠检测作业人员的肉眼观察，找出具有缺失、污点、不规则、模糊等存在异常的次品。由于生产出的产品数量和种类繁多，人工检测不仅费时费力，而且会增加产品成本；另一种检测方式是将产品分成良品和次品两类，利用算法训练一个二分类模型，并基于二分类模型对产品进行检测。然而在工业生产中主要是良品居多，次品少之又少，在训练二分类模型时收集次品样本数据费时费力。
技术实现思路
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种基于机器视觉的产品异常检测方法、装置及设备。第一方面，本专利技术实施例提供了一种基于机器视觉的产品异常检测方法，包括：将待测产品的产品图像输入预先训练好的卷积神本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的产品异常检测方法，其特征在于，包括：/n将待测产品的产品图像输入预先训练好的卷积神经网络模型，以使所述卷积神经网络模型从所述产品图像中提取产品特征数据并根据所述产品特征数据重构所述待测产品的重构图像；/n判断所述重构图像和产品图像之间的差值是否小于设定阈值，如果小于设定阈值，则确定所述待测产品为良品；否则为确定所述待测产品为次品。/n

【技术特征摘要】
1.一种基于机器视觉的产品异常检测方法，其特征在于，包括：
将待测产品的产品图像输入预先训练好的卷积神经网络模型，以使所述卷积神经网络模型从所述产品图像中提取产品特征数据并根据所述产品特征数据重构所述待测产品的重构图像；
判断所述重构图像和产品图像之间的差值是否小于设定阈值，如果小于设定阈值，则确定所述待测产品为良品；否则为确定所述待测产品为次品。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将样本产品的产品图像作为训练样本，并基于所述训练样本构建所述卷积神经网络模型；其中，所述样本产品为所述待测产品的同种产品，并均为良品。


3.根据权利要求1或2所述的方法，其特征在于，所述卷积神经网络模型包括：用于从产品图像中提取产品特征数据的特征提取子模型以及用于根据产品特征数据重构产品图像的图像重构子模型。


4.根据权利要求3所述的方法，其特征在于，在训练所述卷积神经网络模型的过程中包括：
计算所述图像重构子模型输出的重构图像与特征提取子模型输入的产品图像之间的均方差损失；
采用反向传播算法降低所述均方差损失的梯度，以训练更新所述图像重构子模型和特征提取子模型。


5.根据权利要求4所述的方法，其特征在于，采用下述公式计算图像重构子模型输出的重构图像与特征提取子模型输入的产品图像之间的均方差损失：



其中，x表示原始图像，y表示输入的产品图像，a表示输出的重构图像，n表示样本总数。


6...

【专利技术属性】
技术研发人员：林坚伟，刘晨曦，龚纯斌，吴琦，肖潇，
申请(专利权)人：睿视智觉厦门科技有限公司，
类型：发明
国别省市：福建;35