一种基于随机缺陷模型的产品外观缺陷检测方法技术

本发明专利技术公开了一种基于随机缺陷模型的产品外观缺陷检测方法。该方法包括：针对待检测产品，收集无外观缺陷的良品图片，构成良品图片集；基于所述良品图片集，利用二维随机介质模型生成满足设定自相关模型参数的自相关模型图；基于所述自相关模型图生成满足设定缺陷形态参数的缺陷概率分布图片集；将所产生的良品图片和缺陷概率分布图进行融合，得到缺陷图片集和对应的标注图片集；利用所述缺陷图片集和所述标注图片集，训练深度学习神经网络；利用经训练的深度学习神经网络对待测产品进行外观缺陷检测。本发明专利技术仅利用良品图片，即可自动生成缺陷图片集进行深度学习网络训练，有利于应用于工业生产线进行产品质量检测。于应用于工业生产线进行产品质量检测。于应用于工业生产线进行产品质量检测。

【技术实现步骤摘要】
一种基于随机缺陷模型的产品外观缺陷检测方法


[0001]本专利技术涉及产品质量检测
，更具体地，涉及一种基于随机缺陷模型的产品外观缺陷检测方法。

技术介绍

[0002]在现在的自动化生产过程中，产品质量检测广泛应用于电子元器件、半导体器件、包装印刷、食品饮料和医疗检测等各个领域。
[0003]现有技术中，基于深度学习算法的产品外观缺陷检测需要经人工标注的合格产品图片以及外观缺陷图片用于训练神经网络。这种方式通常需要长时间反复训练模型进行迭代升级。在迭代升级过程中，需要大量收集缺陷图片并要求人工进行缺陷标注。并且，缺陷图片的数量和人工标注的准确性直接影响检测效果。然而，在实际电子产品生产线中，良品数量会远远大于缺陷产品的数量，且实际收集到的缺陷产品形态分布通常不具备典型性，例如不具有随机分布的特点。此外，由于电子产品具有更新换代较快，外观变化周期短等特点，最终导致现有的基于深度学习算法，无法快速部署到实际的工程应用，在实际应用中难以落地。

技术实现思路

[0004]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于随机缺陷模型的产品外观缺陷检测方法，是实现无监督深度学习的外观缺陷检测的新技术方案。
[0005]本专利技术的技术方案是提供一种基于随机缺陷模型的产品外观缺陷检测方法。该方法包括以下步骤：
[0006]针对待检测产品，收集无外观缺陷的良品图片，构成良品图片集；
[0007]基于所述良品图片集，利用二维随机介质模型生成满足设定自相关模型参数的自相关模型图；
[0008]基于所述自相关模型图生成满足设定缺陷形态参数的缺陷概率分布图片集，该缺陷概率分布图片集表征产品外观的多种缺陷类型；
[0009]将所产生的良品图片和缺陷概率分布图进行融合，得到缺陷图片集和对应的标注图片集；
[0010]利用所述缺陷图片集和所述标注图片集，训练深度学习神经网络；
[0011]利用经训练的深度学习神经网络对待测产品进行外观缺陷检测。
[0012]与现有技术相比，本专利技术的优点在于，所提出的基于随机缺陷模型实现无监督深度学习的外观缺陷检测方法，使用少量良品来生成大量随机分布的标注缺陷图片，使用标注缺陷图片来训练深度神经网络而无需缺陷产品，从而有效地减少深度神经网络的迭代过程，能够快速且低成本地将检测算法部署到电子产品生产线中。
[0013]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0014]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0015]图1是根据本专利技术一个实施例的基于随机缺陷模型的产品外观缺陷检测方法的流程图；
[0016]图2是根据本专利技术一个实施例的缺陷图片生成及模型训练过程示意图；
[0017]图3是根据本专利技术一个实施例的随机介质模型建立流程图；
[0018]图4是根据本专利技术一个实施例的随机缺陷图片集；
[0019]图5是根据本专利技术一个实施例的真实缺陷图片集；
[0020]图6是根据本专利技术一个实施例的手机电池丝印字符外观缺陷训练集合；
[0021]图7是根据本专利技术一个实施例的实际缺陷产品检测效果；
[0022]图8是根据本专利技术一个实施例的手机摄像头外观缺陷训练集合；
[0023]图9是根据本专利技术一个实施例的实际缺陷产品检测效果。
具体实施方式
[0024]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0025]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0026]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0027]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0028]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0029]简言之，本专利技术所提供的产品外观缺陷检测方法通过使用二维随机介质模型生成具有高斯或指数分布的自相关模型图。融合自相关模型图和实际产品图片得到随机缺陷产品图片集和标注集合，并使用自动生成的缺陷图片集和标注集合进行深度网络训练。
[0030]具体地，结合图1和图2所示，所提供的基于随机缺陷模型的产品外观缺陷检测方法包括以下步骤。
[0031]步骤S110，针对待检测产品类型，构建良品图片集。
[0032]例如，对于待检测产品，收集一部分无外观缺陷的良品图片，并使用常用的图像增强算法，如对图片的亮度、对比度、饱和度或色调等进行调节等，得到良品图片，标记为Grey
[nor，[x，y]]。
[0033]在本专利技术中，待检测产品可包括任意类型的产品或部件，例如手机、手机摄像头、电路芯片、产品外包装等。
[0034]步骤S120，利用二维随机介质模型从良品图片集生成自相关模型图，并确定缺陷概率分布图片集。
[0035]在此步骤中，根据二维随机介质模型从良品图中生成具有设定分布的自相关模型库图。图3是建立随机介质模型的过程示意，其中，k
x
和k
y
表示自相关模型类型(如高斯型或指数型等)。随机介质可看作是一个随机序列，随机过程的功率谱就是其自相关函数的傅里叶变换。通过已知的功率谱模拟产生由它描述的随机扰动，可以模拟产生以功率谱作为自相关函数、具有指定均值及方差的随机介质模型。
[0036]例如，根据二维随机介质模型生成具有二维高斯分布或指数分布自相关模型图。其中自相关模型图的类型及参数均可随机确定。通过设置自相关模型图的参数，例如随机自相关长度、随机自相关宽度、随机图像尺寸等，能够产生大、小两种尺度的非均匀性的自相关模型图，大尺度的非均匀性用于描述平均特性，小尺度的非均匀性是加在平均特性上的随机扰动。
[0037]进一步地，在获得自相关模型图片后，通过设置缺陷形态参数，例如随机位置、随机缺陷百分比和随机极性选择等，产生缺陷概率分布图片集。通过设置缺陷形态参数能有效地生成常见的外观缺陷，如挫伤，缺损，划痕、毛丝、浅色脏污和深色脏污等类型，即结合自相关模型参数和缺陷形态参数的设置，所产生的缺陷概率分布图片集能够用于表征产品外观图片在不同方向、不同位置或不同程度的非均匀异常。
[0038]例如，根据实际检测产品的图片大小随机在自相关模型图截取模型图片，并使用随机百分比的极值搜索法(极值的选择也是随机)确定缺陷概率分布图片集。
[0039]在一个实施例中，随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机缺陷模型的产品外观缺陷检测方法，包括以下步骤：针对待检测产品，收集无外观缺陷的良品图片，构成良品图片集；基于所述良品图片集，利用二维随机介质模型生成满足设定自相关模型参数的自相关模型图；基于所述自相关模型图生成满足设定缺陷形态参数的缺陷概率分布图片集，该缺陷概率分布图片集表征产品外观的多种缺陷类型；将所产生的良品图片和缺陷概率分布图进行融合，得到缺陷图片集和对应的标注图片集；利用所述缺陷图片集和所述标注图片集，训练深度学习神经网络；利用经训练的深度学习神经网络对待测产品进行外观缺陷检测。2.根据权利要求1所述的方法，其特征在于，所述自相关模型参数包括随机自相关长度、随机自相关宽度和随机图像尺寸。3.根据权利要求1所述的方法，其特征在于，根据以下步骤确定所述缺陷概率分布图片集：设定随机缺陷百分比P和随机极值极性B；当极值极性B为False时，对自相关模型图Grey
[ran,[x,y]]
进行取反，表示为：Grey
[ran,[x,y]]
＝255
‑
Grey
[ran,[x,y]]
；统计自相关模型图Grey
[ran,[x,y]]
的灰度分布，表示为His
[i＝0,255]
；遍历His
[i]
，当His
[i]
大于缺陷百分比P时，记录灰度阈值G
t
；保留自相关模型图Grey
[ran,[x,y]]
中所有灰度大于阈值G
t
的点，其余填充为黑色，得到严重程度图Grey
′
[ran,[x,y]]
；创建与严重程度图大小一致的标注图Grey
″
[ran,[x,y]]
，并填...

【专利技术属性】
技术研发人员：胡志雄，
申请(专利权)人：胡志雄，
类型：发明
国别省市：