【技术实现步骤摘要】
边缘缺陷检测方法、装置、模型、设备及可读存储介质
本申请涉及缺陷检测领域，具体而言，涉及一种边缘缺陷检测方法、装置、模型、设备及可读存储介质。
技术介绍
缺陷检测是工业质检领域一项常见的任务，目前通用的缺陷检测算法大多是采用基于卷积神经网络的语义分割网络来进行缺陷检测的。但是，通用的缺陷检测算法会对整幅图像内的每个位置都进行检测。在实际使用场景中，某些产品的缺陷只出现在边缘处，如果使用通用的缺陷检测算法，则不仅在非边缘处浪费了大量的计算资源，同时大量的非边缘点也会影响缺陷检测的准确度。
技术实现思路
本申请实施例的目的在于提供一种边缘缺陷检测方法、装置、模型、设备及可读存储介质，用以解决通用的缺陷检测算法会对整幅图像内的每个位置都进行检测，从而对于缺陷只出现在边缘处只会出现在边缘处的产品，会造成计算资源浪费，同时缺陷检测的准确度不够的问题。本申请实施例提供了一种边缘缺陷检测方法，包括：获取待检测图像；提取所述待检测图像的边缘信息，得到边缘图像；将所述边缘图像与预设的...
【技术保护点】
1.一种边缘缺陷检测方法，其特征在于，包括：/n获取待检测图像；/n提取所述待检测图像的边缘信息，得到边缘图像；/n将所述边缘图像与预设的边缘模板图像进行匹配，得到缺陷位置。/n
【技术特征摘要】
1.一种边缘缺陷检测方法，其特征在于，包括：
获取待检测图像；
提取所述待检测图像的边缘信息，得到边缘图像；
将所述边缘图像与预设的边缘模板图像进行匹配，得到缺陷位置。
2.如权利要求1所述的边缘缺陷检测方法，其特征在于，所述待检测图像为1通道的灰度图；
所述提取所述待检测图像的边缘信息，得到边缘图像包括：
将所述待检测图像依次通过n个第一卷积层，得到所述n个第一卷积层对应输出的第一特征图；所述n为大于等于2的整数；
将n个所述第一特征图分别输入n个第二卷积层，得到n个第二特征图；
将所述n个第二特征图中同一像素点的像素值相加，得到第三特征图；
将所述第三特征图通过1通道的卷积层后，使用激活函数进行非线性处理，得到边缘热力图；
对所述边缘热力图进行二值化，得到所述边缘图像。
3.如权利要求1或2所述的边缘缺陷检测方法，其特征在于，将所述边缘图像与预设的边缘模板图像进行匹配，得到缺陷位置包括：
将所述边缘图像和边缘模板图像进行拼接，输入到学习好的空间变换网络中，得到变换矩阵；
依据所述变换矩阵，计算所述边缘模板图像中各边缘点和所述边缘图像中对应像素点的差值；
若所述差值不为0，确定所述边缘图像中对应像素点的位置为缺陷位置。
4.如权利要求3所述的边缘缺陷检测方法，其特征在于，在将所述边缘图像和边缘模板图像进行拼接，输入到学习好的空间变换网络中之前，所述方法还包括：
将所述边缘图像和边缘模板图像进行拼接，输入到初始的空间变换网络中，得到变换矩阵；
依据该变换矩阵，计算所述边缘图像与所述边缘模板图像之间的匹配损失；
依据所述匹配损失进行反向传播，更新所述初始的空间变换网络的参数；
重复上述过程，直至所述匹配损失收敛，得到所述学习好的空间变换网络。
5.如权利要求4所述的边缘缺陷检测方法，其特征在于，所述依据该变换矩阵，计算所述边缘图像与所述边缘模板图像之间的匹配损失，包括：
按照公式计算所述边缘图像与所述边缘模板图像之间的匹配损失，其中：
所述I表征所述边缘图像，所述T表征所述边缘模板图像，所述θ为所述变换矩阵，所述L(I,T,θ)为所述边缘图像与所述边缘模板图像之间的匹配损失；所述T+为所述边缘模板图像中所有边缘点的集合；所述p为集合T+中的任一边缘点；所述T(p)为所述边缘模板图像中边缘点p的位置；所述θ(p)表征采用所述变换矩阵θ对边缘点p进行空间变换后的值，所述I(θ(p))为所述边缘图像中边缘点p对应的像素点的位置。
6.如权利要求4所述的边缘缺陷检测方法，其特征在于，将所述边缘图像和边缘模板图像进行拼接，输入到空间变换网络中，得到变换矩阵，包括：
将所述边缘图像和边缘模板图像进行拼接，得到输入图像；
将所述输入图像进行仿射变换，得到仿射变换的六个参数；
将所述六个参数组合，得到所述变换矩阵。
7.如权利要求6所述的边缘缺陷检测方法，其特征在于，将所述输入图像进行仿射变换，包括：
将所述输入图像依次进行两次卷积与下采样操作后，将操作结果依次输入第一全连接层和第二全连接层；其中，所述第二全连接层输出的结果为所述六个参数。
8.如权利要求3所述的边缘缺陷检测方法，其特征在于，依据所述变换矩阵，计算所述边缘模板图像中各边缘点和所述边缘...
【专利技术属性】
技术研发人员：黄家水，王忠强，唐永亮，
申请(专利权)人：创新奇智重庆科技有限公司，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。