表面缺陷的检测方法、模型训练方法、装置、设备和介质制造方法及图纸

本申请实施例公开了表面缺陷的检测方法、模型训练方法、装置、设备和介质，涉及人工智能计算机视觉、深度学习以及云计算领域，具体涉及图像识别技术。具体实现方案为：将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取缺陷检测模型输出的缺陷检测结果；根据缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对缺陷物品表面图像是否存在缺陷进行判别；其中，图像判别模型为已训练的生成对抗网络模型，生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；根据图像判别模型的判别结果调整缺陷物品表面图像的缺陷检测结果。本申请实施例能够有效降低待测物品表面图像的过杀率。

【技术实现步骤摘要】
表面缺陷的检测方法、模型训练方法、装置、设备和介质
本申请实施例涉及人工智能计算机视觉、深度学习以及云计算领域，具体涉及图像识别技术。
技术介绍
在工业物品生产的过程中，存在对物品表面的缺陷进行检测的需求，且缺陷检测要求较低的漏检率和过杀率。目前对物品表面缺陷进行检测的方法，或依赖于人工识别，或可以采用自动检测方案。对于采用自动检测方案，由于物品表面的纹理复杂，很容易将物品本身的纹理识别为缺陷，导致物品的过杀率高。过杀是指将正常物品识别为有缺陷的异常物品。
技术实现思路
本申请实施例提供了一种表面缺陷的检测方法、模型训练方法、装置、设备和介质。根据第一方面，提供了一种物品表面缺陷的检测方法，包括：将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。根据第二方面，提供了一种物品表面缺陷识别模型的训练方法，包括：获取无缺陷的良品物品表面图像，作为判别训练样本；将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。根据第三方面，提供了一种物品表面缺陷的检测装置，包括：结果获取模块，用于将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；缺陷判别模块，用于根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；结果调整模块，用于根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。根据第四方面，提供了一种物品表面缺陷识别模型的训练装置，包括：样本确定模块，用于获取无缺陷的良品物品表面图像，作为判别训练样本；模型训练模块，用于将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所提供的物品表面缺陷的检测方法；或者执行本申请任意实施例所提供的物品表面缺陷识别模型的训练方法。根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所提供的物品表面缺陷的检测方法；或者执行本申请任意实施例所提供的物品表面缺陷识别模型的训练方法。根据本申请实施例的技术解决了对良品物品过杀率较高的问题。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是根据本申请实施例提供的一种物品表面缺陷的检测方法的流程示意图；图2是根据本申请实施例提供的另一种物品表面缺陷的检测方法的流程示意图；图3是根据本申请实施例提供的一种物品表面缺陷识别模型的训练方法的流程示意图；图4是根据本申请实施例提供的一种物品表面缺陷的检测装置的结构示意图；图5是根据本申请实施例提供的一种物品表面缺陷识别模型的训练装置的结构示意图；图6是用来实现本申请实施例的物品表面缺陷的检测方法或者物品表面缺陷识别模型的训练方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1是根据本申请实施例提供的一种物品表面缺陷的检测方法的流程示意图，本申请实施例可适用于对物品表面缺陷进行检测的情况，可检测的物品例如包括机械加工零件、工艺品、纺织品等各种物品。采用缺陷检测模型确定出缺陷检测结果，并进行再次判别。该方法可由一种物品表面缺陷的检测装置来执行，该装置可采用硬件和/或软件的方式来实现，可配置于电子设备中。该方法具体包括如下：S110、将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取缺陷检测模型输出的缺陷检测结果。在本申请实施例中，缺陷检测模型是基于训练样本预先训练得到，其中，训练样本可以包括缺陷训练样本和良品训练样本；缺陷训练样本为通过标注的且具有确定缺陷种类的物品表面图像，良品训练样本为不存在缺陷的物品表面图像；具体的，缺陷训练样本和良品训练样本可以在缺陷物品或者良品物品中采集得到。本实施例通过预先训练好的缺陷检测模型对待测物品表面图像进行缺陷检测，有效解决了传统检测方法利用肉眼人工对待测物品表面图像进行缺陷分类而导致的分类效率和准确率较低的问题，从而实现快速准确的对待测物品表面图像进行检测。S120、根据缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对缺陷物品表面图像是否存在缺陷进行判别；其中，图像判别模型为已训练的生成对抗网络模型，生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到。由于不同待测物品表面图像可能存在复杂纹理，在对待测物品表面图像进行检测时，很容易将待测物品表面图像的纹理识别为缺陷；因此，在本申请实施例中，为了进一步保证对待测物品表面图像检测的准确性，在通过缺陷检测模型对待测物品表面图像检测完后，还需对检测结果中存在缺陷的物品表面图像进行二次判别，以降低待测物品表面图像的过杀率。其中，图像判别模型是通过良品物品表面图像与缺陷物品表面图像的重构误差来判定缺陷物品表面图像是否存在缺陷。生成对抗网络模型包括两个部分，即生成网络模型和判别网络模型。生成网络模型用于基于本文档来自技高网...

【技术保护点】
1.一种物品表面缺陷的检测方法，其特征在于，包括：/n将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；/n根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；/n根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。/n

【技术特征摘要】
1.一种物品表面缺陷的检测方法，其特征在于，包括：
将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；
根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；
根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。


2.根据权利要求1所述的方法，其特征在于，所述缺陷检测模型输出的缺陷检测结果包括：物品表面所包括缺陷的外接矩形框坐标、缺陷的轮廓坐标和缺陷的类别。


3.根据权利要求1所述的方法，其特征在于，根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果包括：
如果所述判别结果确定所述缺陷物品表面图像中存在缺陷，则确认所述缺陷检测模型输出的缺陷检测结果；
如果所述判别结果确定所述缺陷物品表面图像中不存在缺陷，则拒绝所述缺陷检测模型输出的缺陷检测结果。


4.根据权利要求1所述的方法，其特征在于，将待测物品表面图像输入缺陷检测模型进行缺陷检测之前，还包括：
如果待测物品表面图像的分辨率与所述缺陷检测模型的输入图像分辨率不一致，则对所述待测物品表面图像进行切分，以匹配所述输入图像分辨率。


5.根据权利要求1-4中任一项所述的方法，其特征在于，所述物品为机械加工零件。


6.一种物品表面缺陷识别模型的训练方法，其特征在于，包括：
获取无缺陷的良品物品表面图像，作为判别训练样本；
将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。


7.根据权利要求6所述的方法，其特征在于，还包括：
获取至少一类物品表面分别对应的良品物品表面图像，并获取至少一类缺陷图像，所述缺陷图像为物品表面存在缺陷的图像；
根据所述良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像，作为缺陷训练样本；
将所述缺陷训练样本和作为良品训练样本的良品物品表面图像，输入缺陷检测模型进行训练，其中，所述缺陷检测模型用于检测物品表面图像中的缺陷。


8.根据权利要求7所述的方法，其特征在于，根据所述良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像包括：
根据所述良品物品表面图像和缺陷图像，基于非条件生成模型合并生成缺陷物品表面图像。


9.根据权利要求7所述的方法，其特征在于，获取至少一类物品表面分别对应的良品物品表面图像，并获...

【专利技术属性】
技术研发人员：林书妃，朱剑锋，苑鹏程，张滨，韩树民，徐英博，冯原，辛颖，王晓迪，刘静伟，文石磊，章宏武，丁二锐，
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