一种基于深度学习的手套表面缺陷检测方法及系统技术方案

本发明专利技术涉及一种基于深度学习的手套表面缺陷检测方法及系统,其中，方法包括：将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果；针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果。型和图像分类检测结果。型和图像分类检测结果。

【技术实现步骤摘要】
一种基于深度学习的手套表面缺陷检测方法及系统


[0001]本专利技术涉及手套表面缺陷检测技术，具体涉及一种基于深度学习的手套表面缺陷检测方法及系统。

技术介绍

[0002]在手套，例如丁腈手套生产过程中，由于生产工艺和生产设备的缺陷，导致在生产中会一定概率出现残次品，不同国家和地区都有标准限制不良品率，因此需要在生产中筛选出残次品手套，降低手套的残次品率。
[0003]对于手套残次品，我们大致将缺陷分为两类：撕裂和污点。撕裂是指在手套表面出现明显的破损或者撕裂；污点是指手套表面出现大面积的污渍。以上两种手套都属于残次品，需要在出厂前把这些残次品手套进行筛选和摘除。
[0004]常规的方式是通过人工筛选的方式，需要给每条生产线配备检测人员，用于筛选出残次品手套，提高生产流水线的良品率。近年来机器学习技术快速发展，利用机器学习技术可以检测出图像中明显的缺陷，进行残次品手套的检测，但检测方式精度不高，无法满足生产需求。

技术实现思路

[0005]本专利技术的目的在于，解决现有丁腈手套生产过程中存在的上述技术问题。...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的手套表面缺陷检测方法,其特征在于，包括以下步骤：数据增强步骤，将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；形状检测步骤，将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定形状合格的图像；纹理检测步骤，针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定纹理合格的图像。2.根据权利要求1所述的方法，其特征在于，增强变化包括左右翻转、上下翻转、高斯滤波、HSV变换、缩放、裁剪、均值滤波、锐化、浮雕、边缘检测、仿射变换。3.根据权利要求1所述的方法，其特征在于，形状检测步骤具体包括：图像数据经过数据增强模块得到增强后的图像数据，输入到形状实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为fliplr左右翻转，反转的角度为180度；在检测后判断是否打开严格模式，即是否开启辅助模型检测；辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，其中形状实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。4.根据权利要求1所述的方法，其特征在于，纹理检测步骤具体包括：经过形状检测模块后判断为形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块。输入到纹理实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为scale放缩，放缩的参数设置为1.2倍；在检测后判断是否打开严格模式，即是否开启辅助模型检测开启辅助模型后检测识别准确率会上升，但误判率也会随着上升；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，其中纹理实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。5.根据权利要求1所述的方法，其特征在于，手套图像为丁腈手套图像。6.一种基于深度...

【专利技术属性】
技术研发人员：刘梦玥，苏晓芬，谢明明，闵维潇，
申请(专利权)人：北京云屿科技有限公司，
类型：发明
国别省市：