缺陷检测方法、装置、智能终端及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种缺陷检测方法、装置、智能终端及计算机可读存储介质，其中，上述缺陷检测方法包括：获取目标神经网络；获取待训练二维图像和待训练三维图像，基于上述目标神经网络对上述待训练二维图像和待训练三维图像进行训练后获得模型训练集；获取待训练缺陷检测模型，基于上述模型训练集对上述待训练缺陷检测模型进行训练，获得目标缺陷检测模型；获取待检测图像，基于上述目标缺陷检测模型和上述待检测图像进行缺陷检测。与现有技术相比，本发明专利技术方案结合神经网络和缺陷检测模型自动进行缺陷检测，有利于提高缺陷检测的准确性和效率。效率。效率。

【技术实现步骤摘要】
缺陷检测方法、装置、智能终端及计算机可读存储介质


[0001]本专利技术涉及机器视觉
，尤其涉及的是一种缺陷检测方法、装置、智能终端及计算机可读存储介质。

技术介绍

[0002]高效、可靠的缺陷检测是电子制造业自动化的一个重要环节。目前，随着科学技术的发展，电子产品生产采用的元器件尺寸越来越小、组装集成密度越来越高，对于缺陷检测的要求也越来越高。
[0003]现有技术中，通常由检测人员对需要进行缺陷检测的对象进行目检，即由检测人员通过目测来进行表面缺陷检测。现有技术的问题在于，人工目检的方式受主观因素影响且很难检测到小的缺陷，不利于提高缺陷检测的准确性和效率。
[0004]因此，现有技术还有待改进。

技术实现思路

[0005]本专利技术的主要目的在于提供一种缺陷检测方法、装置、智能终端及计算机可读存储介质，旨在解决现有技术中人工目检的方式受主观因素影响且很难检测到小的缺陷，不利于提高缺陷检测的准确性和效率的问题。
[0006]为了实现上述目的，本专利技术第一方面提供一种缺陷检测方法，其中，上述方法包括：
[0007]获取目标神经网络；
[0008]获取待训练二维图像和待训练三维图像，基于上述目标神经网络对上述待训练二维图像和待训练三维图像进行训练后获得模型训练集；
[0009]获取待训练缺陷检测模型，基于上述模型训练集对上述待训练缺陷检测模型进行训练，获得目标缺陷检测模型；
[0010]获取待检测图像，基于上述目标缺陷检测模型和上述待检测图像进行缺陷检测。
[0011]可选的，上述获取目标神经网络，包括：
[0012]获取神经网络训练集，其中，上述神经网络训练集包括多组对应的二维训练图像和三维训练图像；
[0013]获取待训练神经网络，基于上述神经网络训练集对上述待训练神经网络进行训练，获得目标神经网络。
[0014]可选的，上述待训练神经网络为BP神经网络。
[0015]可选的，上述获取待训练二维图像和待训练三维图像，基于上述目标神经网络对上述待训练二维图像和待训练三维图像进行训练后获得模型训练集，包括：
[0016]获取多组对应的待训练二维图像和待训练三维图像，其中，上述待训练二维图像由电荷耦合器件摄像机拍摄获得，上述待训练三维图像基于光栅投影相位测量轮廓术获得；
[0017]基于上述目标神经网络分别对每组上述待训练二维图像和待训练三维图像进行训练，获得模型训练集。
[0018]可选的，上述待训练缺陷检测模型为YOLOv3模型。
[0019]可选的，上述获取待检测图像，基于上述目标缺陷检测模型和上述待检测图像进行缺陷检测，包括：
[0020]获取待检测对象的图像，作为待检测图像；
[0021]将上述待检测图像输入上述目标缺陷检测模型中，对上述待检测对象进行缺陷检测。
[0022]可选的，在上述获取待检测图像，基于上述目标缺陷检测模型和上述待检测图像进行缺陷检测之后，上述方法还包括：
[0023]输出缺陷检测的结果。
[0024]本专利技术第二方面提供一种缺陷检测装置，其中，上述装置包括：
[0025]目标神经网络获取模块，用于获取目标神经网络；
[0026]模型训练集获取模块，用于获取待训练二维图像和待训练三维图像，基于上述目标神经网络对上述待训练二维图像和待训练三维图像进行训练后获得模型训练集；
[0027]目标缺陷检测模型获取模块，用于获取待训练缺陷检测模型，基于上述模型训练集对上述待训练缺陷检测模型进行训练，获得目标缺陷检测模型；
[0028]缺陷检测模块，用于获取待检测图像，基于上述目标缺陷检测模型和上述待检测图像进行缺陷检测。
[0029]本专利技术第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的缺陷检测程序，上述缺陷检测程序被上述处理器执行时实现任意一项上述缺陷检测方法的步骤。
[0030]本专利技术第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有缺陷检测程序，上述缺陷检测程序被处理器执行时实现任意一项上述缺陷检测方法的步骤。
[0031]由上可见，本专利技术方案中，获取目标神经网络；获取待训练二维图像和待训练三维图像，基于上述目标神经网络对上述待训练二维图像和待训练三维图像进行训练后获得模型训练集；获取待训练缺陷检测模型，基于上述模型训练集对上述待训练缺陷检测模型进行训练，获得目标缺陷检测模型；获取待检测图像，基于上述目标缺陷检测模型和上述待检测图像进行缺陷检测。与现有技术中由检测人员通过目测来进行表面缺陷检测的方法相比，本专利技术方案结合神经网络和缺陷检测模型自动进行缺陷检测，有利于提高缺陷检测的准确性和效率。同时，基于目标神经网络对待训练二维图像和待训练三维图像进行训练获取模型训练集，通过模型训练集训练获得目标缺陷检测模型，有利于提高目标缺陷检测模型的检测精度，进一步提高缺陷检测准确性。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些
附图获得其它的附图。
[0033]图1是本专利技术实施例提供的一种缺陷检测方法的流程示意图；
[0034]图2是本专利技术实施例图1中步骤S100的具体流程示意图；
[0035]图3是本专利技术实施例图1中步骤S200的具体流程示意图；
[0036]图4是本专利技术实施例图1中步骤S300的具体流程示意图；
[0037]图5是本专利技术实施例提供的一种二维图像示意图；
[0038]图6是本专利技术实施例提供的一种三维图像示意图；
[0039]图7是本专利技术实施例图6中一个焊点的放大图；
[0040]图8是本专利技术实施例提供的一种缺陷检测装置的结构示意图；
[0041]图9是本专利技术实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
[0042]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0043]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0044]还应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺陷检测方法，其特征在于，所述方法包括：获取目标神经网络；获取待训练二维图像和待训练三维图像，基于所述目标神经网络对所述待训练二维图像和待训练三维图像进行训练后获得模型训练集；获取待训练缺陷检测模型，基于所述模型训练集对所述待训练缺陷检测模型进行训练，获得目标缺陷检测模型；获取待检测图像，基于所述目标缺陷检测模型和所述待检测图像进行缺陷检测。2.根据权利要求1所述的缺陷检测方法，其特征在于，所述获取目标神经网络，包括：获取神经网络训练集，其中，所述神经网络训练集包括多组对应的二维训练图像和三维训练图像；获取待训练神经网络，基于所述神经网络训练集对所述待训练神经网络进行训练，获得目标神经网络。3.根据权利要求2所述的缺陷检测方法，其特征在于，所述待训练神经网络为BP神经网络。4.根据权利要求1所述的缺陷检测方法，其特征在于，所述获取待训练二维图像和待训练三维图像，基于所述目标神经网络对所述待训练二维图像和待训练三维图像进行训练后获得模型训练集，包括：获取多组对应的待训练二维图像和待训练三维图像，其中，所述待训练二维图像由电荷耦合器件摄像机拍摄获得，所述待训练三维图像基于光栅投影相位测量轮廓术获得；基于所述目标神经网络分别对每组所述待训练二维图像和待训练三维图像进行训练，获得模型训练集。5.根据权利要求1所述的缺陷检测方法，其特征在于，所述待训练缺陷检测模型为YOLOv3模型。6.根据权利要求1所述的缺陷检测方法，其特征在于，所述获取...

【专利技术属性】
技术研发人员：欧超光，韩玉玺，张鲁江，王翔龙，
申请(专利权)人：深圳市高川自动化技术有限公司，
类型：发明
国别省市：