磁瓦表面缺陷检测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种磁瓦表面缺陷检测方法、装置、电子设备及存储介质，磁瓦表面缺陷检测方法包括：获取待检测磁瓦图像；输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。本申请磁瓦表面缺陷检测方法、装置、电子设备及存储介质，以有效地提高磁瓦表面缺陷检测的准确率，更为准确地确定磁瓦表面是否存在缺陷，并且，其具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。

【技术实现步骤摘要】
磁瓦表面缺陷检测方法、装置、电子设备及存储介质
本申请涉及缺陷检测
，具体而言，涉及一种磁瓦表面缺陷检测方法、装置、电子设备及存储介质。
技术介绍
磁瓦是磁性材料的一种，其是应用较为广泛的磁性材料之一。在磁瓦的生产过程中，磁瓦的生产已具有很高的自动化程度，但目前，磁瓦的表面缺陷检测主要还是人工检测，人工检测的方式效率低下，难以保证检测的准确性，且人力成本较高。随着科学技术的不断发展及检测要求的提高，目前已有基于机器视觉实现磁瓦表面缺陷检测的方式，但现有的基于机器视觉实现磁瓦表面缺陷检测的方式大多较为简单，缺陷检测的准确率不高，难以较为准确地确定磁瓦表面是否存在缺陷，同时，基于机器视觉实现磁瓦表面缺陷检测的方式也难以较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测，其鲁棒性及延展性较差。
技术实现思路
本申请实施例的目的在于提供一种磁瓦表面缺陷检测方法、装置、电子设备及存储介质，以有效地提高磁瓦表面缺陷检测的准确率，更为准确地确定磁瓦表面是否存在缺陷，并且，其具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。第一方面，本申请实施例提供了一种磁瓦表面缺陷检测方法，包括：获取待检测磁瓦图像；输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。在上述实现过程中，本申请实施例的磁瓦表面缺陷检测方法，通过输入获取的待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像，以及通过输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，预设的特征提取网络模型能较好地对待检测磁瓦图像进行特征提取，便于预设的分类网络模型的得分预测，并且预设的分类网络模型也能较为准确地预测得到待检测磁瓦的缺陷检测得分，从而可以较为准确地确定磁瓦表面是否存在缺陷，有效地提高磁瓦表面缺陷检测的准确率，同时，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，本申请实施例的磁瓦表面缺陷检测方法具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。进一步地，所述待检测磁瓦图像为多个，多个所述待检测磁瓦图像的拍摄角度各不相同。在上述实现过程中，该方法获取的待检测磁瓦图像为多个拍摄角度各不相同的待检测磁瓦图像，输入预设的特征提取网络模型的待检测磁瓦图像亦为多个拍摄角度各不相同的待检测磁瓦图像，多个拍摄角度各不相同的待检测磁瓦图像能更为完整地体现待检测磁瓦的外观，也更为利于预设的特征提取网络模型的特征提取，可以使得本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率进一步提高。进一步地，所述输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，包括：输入多张不同尺度的所述特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。在上述实现过程中，该方法对多张不同尺度的特征提取图像进行特征融合得到融合特征图像，融合特征图像具有更多的提取特征，能使得预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，因而可以更好地提高本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率。进一步地，所述预设的分类网络模型包括注意力机制模块；所述根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分，包括：通过所述预设的分类网络模型的注意力机制模块对所述融合特征图像进行处理；根据处理后的融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。在上述实现过程中，该方法通过预设的分类网络模型的注意力机制模块对融合特征图像进行处理，可以使得预设的分类网络模型更为关注融合特征图像中信息量较大的特征，抑制融合特征图像中信息量较小的特征，此种方式有利于预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，可以进一步地提高本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率。进一步地，所述根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷，包括：根据所述缺陷检测得分及预设得分阈值，确定待检测磁瓦是否存在表面缺陷。在上述实现过程中，该方法通过缺陷检测得分及预设得分阈值确定待检测磁瓦是否存在表面缺陷，便于待检测磁瓦表面是否存在缺陷的快速确定。第二方面，本申请实施例提供了一种磁瓦表面缺陷检测装置，包括：获取模块，用于获取待检测磁瓦图像；特征提取模块，用于输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；分类预测模块，用于输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；确定模块，用于根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。在上述实现过程中，本申请实施例的磁瓦表面缺陷检测装置，通过输入获取的待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像，以及通过输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，预设的特征提取网络模型能较好地对待检测磁瓦图像进行特征提取，便于预设的分类网络模型的得分预测，并且预设的分类网络模型也能较为准确地预测得到待检测磁瓦的缺陷检测得分，从而可以较为准确地确定磁瓦表面是否存在缺陷，有效地提高磁瓦表面缺陷检测的准确率，同时，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，本申请实施例的磁瓦表面缺陷检测装置具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。进一步地，所述分类预测模块，具体用于：输入多张不同尺度的所述特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。在上述实现过程中，该装置对多张不同尺度的特征提取图像进行特征融合得到融合特征图像，融合特征图像具有更多的提取特征，能使得预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，因而可以更好地提高本申请实施例的磁瓦表面缺陷检测装置的缺陷检测准确率。进一步地，所述预设的分类网络模型包括注意力机制模块；所述分类预测模块在根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分时，通过所述预设的分类网络模型的注意力机制模块对所述融合特征图像进行处理；根据处理后的融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。在上述实现过程中，该装置通过预设的分类网络模型的注意力机制模块对融合特征图像进行处理，可以使得预设的分类网络模型更为关注融合特征图像中信息量较大的特征，抑制融合特征图像中信息量较小的特征，此种方式有利于预设的分类网络模型本文档来自技高网...

【技术保护点】
1.一种磁瓦表面缺陷检测方法，其特征在于，包括：/n获取待检测磁瓦图像；/n输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；/n输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；/n根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。/n

【技术特征摘要】
1.一种磁瓦表面缺陷检测方法，其特征在于，包括：
获取待检测磁瓦图像；
输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；
输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；
根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。


2.根据权利要求1所述的磁瓦表面缺陷检测方法，其特征在于，所述待检测磁瓦图像为多个，多个所述待检测磁瓦图像的拍摄角度各不相同。


3.根据权利要求1所述的磁瓦表面缺陷检测方法，其特征在于，所述输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，包括：
输入多张不同尺度的所述特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；
根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。


4.根据权利要求3所述的磁瓦表面缺陷检测方法，其特征在于，所述预设的分类网络模型包括注意力机制模块；
所述根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分，包括：
通过所述预设的分类网络模型的注意力机制模块对所述融合特征图像进行处理；
根据处理后的融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。


5.根据权利要求1所述的磁瓦表面缺陷检测方法，其特征在于，所述根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷，包括：
根据所述缺陷检测得分及预设得分阈值，确定待检测磁瓦是否存在表面...

【专利技术属性】
技术研发人员：张发恩，杨敏，艾国，
申请(专利权)人：创新奇智上海科技有限公司，
类型：发明
国别省市：上海;31