【技术实现步骤摘要】
一种缺陷检测语义分割模型建模方法、装置、介质及设备
本专利技术涉及工业现场缺陷检测
，具体而言，涉及一种缺陷检测语义分割模型建模方法、装置、介质及设备。
技术介绍
在工业场景中，对产品零件的出厂指标都有非常严格的要求，这些要求为产品零件出厂后发挥功能性作用提供了保证。在工业场景下，各种机械、声、光、电的复杂环境和众多工序可能会给产品零件的外观造成损坏，使其成为带缺陷的产品零件。目前，工业界普遍采取的产品缺陷检测的方式主要有两种：(1)人工检测；(2)基于机器视觉的检测方法。其中，人工检测存在效率低、成本高、人工易产生疲倦等诸多缺点；在大批量工业生产中，基于机器视觉的缺陷检测方法在准确率、速度、成本等方面都优于人工方法，因此，采用基于机器视觉的智能检测手段来取代人工方法是工业质量检测的必然趋势。早期基于机器视觉的检测方法大多依赖于手工设计的特征，过程繁复，效果不佳，近年来，随着以卷积神经网络为代表的深度学习在目标检测等领域的广泛应用，研究者也逐渐开始将其应用到工业缺陷检测领域，让计算机自动从工业产品图像数...
【技术保护点】
1.一种工件缺陷检测的语义分割模型建模方法，其特征在于，包括如下步骤：/n获取训练用的多组原始工件点云数据，所述工件为包含指定缺陷种类的工件；/n基于所述原始工件点云数据确定每个工件的缺陷合成图像：将所述原始工件点云数据转换为二维深度图；基于所述二维深度图分别获取第一梯度图Scale1与第二梯度图Scale2；基于RGB三通道彩色图像合成所述二维深度图、所述Scale1、所述Scale2以获取所述缺陷合成图像；/n获取所述工件对应的缺陷标注Label图像：/n构建语义分割模型，基于多组所述工件缺陷合成图像以及对应的所述缺陷标注Label图像训练并迭代所述语义分割模型参数后获...
【技术特征摘要】
1.一种工件缺陷检测的语义分割模型建模方法，其特征在于，包括如下步骤：
获取训练用的多组原始工件点云数据，所述工件为包含指定缺陷种类的工件；
基于所述原始工件点云数据确定每个工件的缺陷合成图像：将所述原始工件点云数据转换为二维深度图；基于所述二维深度图分别获取第一梯度图Scale1与第二梯度图Scale2；基于RGB三通道彩色图像合成所述二维深度图、所述Scale1、所述Scale2以获取所述缺陷合成图像；
获取所述工件对应的缺陷标注Label图像：
构建语义分割模型，基于多组所述工件缺陷合成图像以及对应的所述缺陷标注Label图像训练并迭代所述语义分割模型参数后获取收敛的语义分割模型；
固化模型层与对应权重为pb文件，导出所述pb文件作为工件缺陷图像对应的深度学习pb模型文件。
2.根据权利要求1所述的语义分割模型建模方法，其特征在于，基于Sobel算子获取所述二维深度图对应下第一梯度图Scale1；
和/或，基于Laplace算子获取所述二维深度图对应下的第二梯度图Scale2。
3.根据权利要求1所述的语义分割模型建模方法，其特征在于，经由三维点云投射函数将所述原始工件点云数据转换为二维深度图。
4.根据权利要求1所述的语义分割模型建模方法，其特征在于，基于所述原始工件点云数据确定所述缺陷标注Label图像，包括删除所述原始工件点云数据中的缺陷区域点云后另存为新工件点云数据；对所述新工件点云数据与所述原始工件点云数据进行差值，获取工件缺陷区域点云数据；合并所述工件缺陷区域点云数据与所述新工件点云数据以获取工件缺陷图像数据；标注所述工件缺陷图像数据以获取的缺陷标注Label图像。
5.根据权利要求4所述的语义分割模型建模方法，其特征在于，经由Matlab对新工件点云数据与原始工件点云数据进行差值后获取所述工件缺陷区域点云数据。
6.根据权利要求1所述的语义分割模型建模方法，其特征在于，所述语义分割模型包括顺次连接的特征提取网络以及特征预测网络；
所述特征提取网络用于缺陷区域发生位置的预测，其包括特征提取层、特征压缩层、特征压平层以及特征分类层；根据所述特征提取层对所述图像数据进行特征提取，获取所述图像数据的...
【专利技术属性】
技术研发人员：梅爽，宋瑞超，赵青，
申请(专利权)人：熵智科技深圳有限公司，
类型：发明
国别省市：广东;44
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。