基于模糊理论的缺陷严重程度检测方法和装置制造方法及图纸

本发明专利技术提供了一种基于模糊理论的缺陷严重程度检测方法和装置，其中，该基于模糊理论的缺陷严重程度检测方法包括以下步骤：获取目标模糊控制系统；采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。本发明专利技术的基于模糊理论的缺陷严重程度检测方法，大大提高了缺陷严重程度检测的可靠性和准确性。

【技术实现步骤摘要】
基于模糊理论的缺陷严重程度检测方法和装置
本专利技术涉及缺陷检测
，具体涉及一种基于模糊理论的缺陷严重程度检测方法和一种基于模糊理论的缺陷严重程度检测装置。
技术介绍
在工业中，工件的外观缺陷决定着一个工件是否达标。在质检过程中，外观缺陷的严重程度对是否达标有很大的影响。为了能够有效的评估外观缺陷，我们有必要构建一套评估缺陷严重程度的方法，完成对外观缺陷稳定快速的严重程度评估。在工业外观质检中，常常采集大量的缺陷图像数据，根据这些数据进行建模，并预测缺陷严重程度的等级类别。由于工业工件外观缺陷成像受工件材质，周围环境，光学方案，以及对缺陷严重程度的不确定描述等多重因素影响，工业外观缺陷检测难度很大，缺陷的严重程度评估一直是工业质检的难点。相关技术中，一般利用机器学习或深度学习的方法将采集的缺陷图像人为划分有限个严重等级类别，然后制作为数据集，并将其送入模型进行缺陷等级分类学习，待模型学习完毕后输出某个等级结果。然而，采用该方式进行缺陷严重程度检测时，可靠性和准确性均较低。
技术实现思路
本专利技术为解决上述技术问题，提供了一种基于模糊理论的缺陷严重程度检测方法，大大提高了缺陷严重程度检测的可靠性和准确性。本专利技术采用的技术方案如下：一种基于模糊理论的缺陷严重程度检测方法，包括以下步骤：获取目标模糊控制系统；采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。获取所述目标模糊控制系统包括：获取工件的训练样本图像，并获取所述训练样本图像的物理量特征数据；根据所述训练样本图像和所述训练样本图像的物理量特征对模糊控制系统进行训练，得到所述目标模糊控制系统。所述模糊控制系统包括模糊器、模糊推理机和解模糊器，其中，根据所述训练样本图像和所述训练样本图像的物理量特征对所述模糊控制系统进行训练，包括：将所述训练样本图像和所述训练样本图像的物理量特征输入所述模糊器以生成对应的模糊集；设定模糊规则；将所述模糊集和所述模糊规则输入所述模糊推理机；将所述模糊推理机的输出结果输入所述解模糊器，以生成相应的第一严重程度值。获取所述目标模糊控制系统还包括：获取所述目标模糊控制系统还包括：根据所述实际物理特征计算第二严重程度值；根据所述第二严重程度值和所述第一严重程度值对目标模糊控制系统进行调优。一种基于模糊理论的缺陷严重程度检测装置，包括：第一获取模块，所述第一获取模块用于获取目标模糊控制系统；第二获取模块，所述第二获取模块用于采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；检测模块，所述检测模块用于将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于模糊理论的缺陷严重程度检测方法。一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于模糊理论的缺陷严重程度检测方法。本专利技术的有益效果：本专利技术能够大大提高缺陷严重程度检测的可靠性和准确性。附图说明图1为本专利技术实施例的基于模糊理论的缺陷严重程度检测方法的流程图；图2为本专利技术一个实施例的获取目标模糊控制系统的方法的流程图；图3为本专利技术实施例的基于模糊理论的缺陷严重程度检测装置的方框示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1是根据本专利技术实施例的基于模糊理论的缺陷严重程度检测方法的流程图。目前，传统的缺陷严重程度等级评估方案，一般是利用机器学习或深度学习的方法将采集的缺陷图像人为划分有限个严重等级类别，然后将其制作为数据集送入模型进行缺陷等级分类学习，模型学习完毕后输出某个等级结果，其中，该结果包含等级类别和一个等级类别置信度。然而，通过置信度并无法准确地表达出缺陷严重程度，同时，采用机器学习或深度学习的方式，对数据集准确性的要求较高，并且训练模型参数较多，训练速度较慢，因此，大大降低了缺陷严重程度检测的可靠性。为此，本专利技术实施例提出了一种基于模糊理论的缺陷严重程度检测方法，大大提高了缺陷严重程度检测的可靠性和准确性。具体地，如图1所示，本专利技术实施例的基于模糊理论的缺陷严重程度检测方法可包括以下步骤：S1，获取目标模糊控制系统。根据本专利技术的一个实施例，如图2所示，获取目标模糊控制系统可包括以下步骤：S201，获取工件的训练样本图像，并获取训练样本图像的物理量特征数据。具体而言，可在工业现场通过专业采图设备采集工件（可为与待检测工件同类型工件）的缺陷图像以作为训练样本图像，并提取训练样本图像的物理量特征数据，该物理量特征数据可包括亮度、梯度、对比度等数据。S202，根据训练样本图像和训练样本图像的物理量特征对模糊控制系统进行训练，得到目标模糊控制系统。根据本专利技术的一个实施例，模糊控制系统可包括模糊器、模糊推理机和解模糊器。也就是说，可将训练样本图像和训练样本图像的物理量特征输入由模糊器、模糊推理机和解模糊器构成的模糊控制系统以对模糊控制系统进行训练。对应的，根据训练样本图像和训练样本图像的物理量特征对模糊控制系统进行训练，包括：将训练样本图像和训练样本图像的物理量特征输入模糊器以生成对应的模糊集；设定模糊规则；将模糊集和模糊规则输入模糊推理机；将模糊推理机的输出结果输入解模糊器，以生成相应的第一严重程度值。具体而言，首先，可将训练样本图像和训练样本图像的物理量特征作为数据集（输入数据），以制作多模态数据集，保证数据能够完好地表征缺陷的特点。其次，将训练样本图像和训练样本图像的物理量特征输入模糊器，以生成对应的模糊集。其中，作为一种可能的实施方式，训练样本图像可被划分为三种模糊集，例如，“十分严重”、“严重”和“不严重”，对应的，可采用三角形隶属度函数作为模糊器以输出各模糊集对应的隶属度。其中，该三角形隶属度函数通过以下公式表示：，其中，x表示输入数据，表示输入数据对应的隶属度，a、b和c表示模糊器对应的参数。在将输入数据划分不同模糊集后，还可进行模糊规则设定。其中，模糊规则的设定与输入和输出划分的模糊集有一定的关系，在指定模糊规则时需保证模糊规则库中的规则具有完备性。举例而言，模糊规则的表述可为“如果图像严重，对比度小，那么缺陷不严重”。然后，可将模糊规则和模糊集输入模糊推理机。其中，模糊推理机是一本文档来自技高网...

【技术保护点】
1.一种基于模糊理论的缺陷严重程度检测方法，其特征在于，包括以下步骤：/n获取目标模糊控制系统；/n采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；/n将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。/n

【技术特征摘要】
1.一种基于模糊理论的缺陷严重程度检测方法，其特征在于，包括以下步骤：
获取目标模糊控制系统；
采集待检测工件的目标检测图像，并获取所述目标检测图像的物理量特征数据；
将所述目标检测图像以及所述目标检测图像的物理量特征数据输入所述目标模糊控制系统，以对所述待检测工件进行缺陷严重程度检测。


2.根据权利要求1所述的基于模糊理论的缺陷严重程度检测方法，其特征在于，获取所述目标模糊控制系统包括：
获取工件的训练样本图像，并获取所述训练样本图像的物理量特征数据；
根据所述训练样本图像和所述训练样本图像的物理量特征对模糊控制系统进行训练，得到所述目标模糊控制系统。


3.根据权利要求2所述的基于模糊理论的缺陷严重程度检测方法，其特征在于，所述模糊控制系统包括模糊器、模糊推理机和解模糊器，其中，根据所述训练样本图像和所述训练样本图像的物理量特征对所述模糊控制系统进行训练，包括：
将所述训练样本图像和所述训练样本图像的物理量特征输入所述模糊器以生成对应的模糊集；
设定模糊规则；
将所述模糊集和所述模糊规则输入所述模糊推理机；
将所述模糊推理机的输出结果输入所述解模糊器，以生成相应的第一严重程度值。


4.根据权利要求3所述的基于模糊理论的缺陷严重程度检测方法，其特征在于，获取所述目标模糊控制系统还包括...

【专利技术属性】
技术研发人员：李建清，潘正颐，郭骏，侯大为，
申请(专利权)人：常州微亿智造科技有限公司，
类型：发明
国别省市：江苏;32