基于深度学习的瑕疵检测方法、计算设备和存储介质技术

本申请公开了一种基于深度学习的瑕疵检测方法、计算设备和存储介质，所述方法包括：获取待测件图像数据并进行按照第一预设规则对其进行编码，得到第一待测数据集；对所述第一待测数据集解码后，按照第二预设规则编码获得第二待测数据；运用预设模型提取测件图像数据潜在空间差值与阈值比较；当潜在空间差值超出该阈值时，输出指示异常样本的检测数据本申请实施例提供的基于深度学习的瑕疵检测方法、计算设备和存储介质，针对多领域工业制造件瑕疵检测误检率和漏检率高的问题，通过对异常样本的检测、预测瑕疵概率和瑕疵件工件数据输出多流程配合，且运用深度学习的方式，保证了大数据量级的工件极低误检率和漏检率的技术效果。据量级的工件极低误检率和漏检率的技术效果。据量级的工件极低误检率和漏检率的技术效果。

【技术实现步骤摘要】
基于深度学习的瑕疵检测方法、计算设备和存储介质


[0001]本申请涉及工业检测
，尤其涉及基于深度学习的瑕疵检测方法、计算设备和存储介质。

技术介绍

[0002]随着科技的进步，现代生产过程中的自动化程度不断提高，工业制造的产能大幅度提升，由于生产所带来的瑕疵不可避免，为了提高良品率，针对工业制造件的检测要求也不断提高。传统的人工检测不仅需要投入大量的人力和物力，且人工检测时的可控性较差，还会造成误检和漏检。
[0003]现有技术中，大多通过光源照射装置或抽检，或者结合特定角度的视觉采集装置，对工业制造件缺陷进行检测。
[0004]然而，由于图像采集设备和算法的匮乏，对于图像难于采集、精准度要求高的场景，而还未有成熟的解决方案，传统的机器视觉无法适应该场景。

技术实现思路

[0005]本申请实施例提供基于深度学习的瑕疵检测方法、计算设备和存储介质，用以解决多领域工业制造件瑕疵检测误检率和漏检率高的问题。
[0006]第一方面，本申请实施例提供一种基于深度学习的瑕疵检测，该方法包括：
[0007]获取待测件图像数据并进行按照第一预设规则对其进行编码，得到第一待测数据集；
[0008]对所述第一待测数据集解码后，按照第二预设规则编码获得第二待测数据；
[0009]运用预设模型提取测件图像数据潜在空间差值与阈值比较；
[0010]当潜在空间差值超出该阈值时，输出指示异常样本的检测数据。
[0011]优选地，预设模型生成步骤，包括：
>[0012]获取无瑕疵待测件图像数据并按照第一预设规则对所述图像数据进行编码，得到第一数据集；
[0013]对所述第一数据集解码后，按照第二预设规则编码获得第二数据集；
[0014]分别由第一数据集和第二数据集的潜在空间作为训练数据训练生成对抗模型。
[0015]优选地，获取无瑕疵待测件图像数据前还包括：图像数据预处理步骤，
[0016]采集无瑕疵待测件原始图像作为训练数据集，通过像素预处理、旋转和镜像反转，得到所述无瑕疵待测件图像数据。
[0017]优选地，本专利技术的方法还包括：采用损失函数对所述对抗模型进行优化。
[0018]优选地，本专利技术的方法还包括：
[0019]采用预测瑕疵概率的步骤，包括：
[0020]获取待测件图像数据，运用卷积模型，根据所述输出指示异常样本的检测数据，对所述异常样本的检测数据进行瑕疵概率值输出。
[0021]优选地，本专利技术的方法还包括：卷积模型生成步骤，包括：
[0022]获取无瑕疵待测件图像数据和瑕疵待测件图像数据；
[0023]通过卷积网络所述瑕疵待测件图像数据的特征图；
[0024]将特征图输入至概率函数进行训练，生成所述卷积模型。
[0025]优选地获取无瑕疵待测件图像数据和瑕疵待测件图像数据前还包括：
[0026]采集无瑕疵待测件原始图像和和瑕疵待测件原始图像数据作为训练数据集，通过像素预处理、旋转和镜像反转，得到所述无瑕疵待测件图像数据和所述瑕疵待测件图像。
[0027]优选地，采用损失函数“二分类交叉熵”优化所述卷积模型。
[0028]优选地，本专利技术的方法，还包括：
[0029]瑕疵工件数据输出步骤，包括：
[0030]获取待测件图像数据，运用分割算法模型，根据所述瑕疵概率值输出值，对所述异常样本的检测数据进行瑕疵工件数据输出。
[0031]优选地，本专利技术的方法还包括：分割模型训练步骤，包括：
[0032]获取待测件图像数据；
[0033]通过残差模型提取所述待测件图像数据的特征图；
[0034]将特征图输入至标记有待测件图像瑕疵判断目标部位的全卷积网络中进行训练，生成所述分割模型。
[0035]优选地，本专利技术的方法还包括：采用损失函数优化所述分割模型。
[0036]一种计算机可读介质，存储有计算机可执行指令，所述计算机可执行指令用于本申请实施例提供的任一基于深度学习的瑕疵检测方法。
[0037]本申请另一实施例还提供了一种计算设备，包括至少一个处理器；以及
[0038]与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任一基于深度学习的瑕疵检测方法。
[0039]本申请另一实施例还提供了一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本申请实施例中的任一基于深度学习的瑕疵检测方法。
[0040]本申请实施例提供的基于深度学习的瑕疵检测方法、计算设备和存储介质，针对多领域工业制造件瑕疵检测误检率和漏检率高的问题，通过对异常样本的检测、预测瑕疵概率和瑕疵件工件数据输出多流程配合，且运用深度学习的方式，保证了大数据量级的工件极低误检率和漏检率的技术效果。
[0041]本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0042]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0043]图1为本申请实施例中的基于深度学习的瑕疵检测方法的流程示意图；
[0044]图2a为本申请实施例中的基于深度学习的瑕疵检测方法中预设模型生成步骤的流程示意图；
[0045]图2b为本申请实施例中的基于深度学习的瑕疵检测方法中预测瑕疵概率的步骤的流程示意图；
[0046]图2c为本申请实施例中的基于深度学习的瑕疵检测方法中预设模型卷积模型生成步骤的流程示意图；
[0047]图3a为本申请实施例中的基于深度学习的瑕疵检测方法中瑕疵工件数据输出步骤的流程示意图；
[0048]图3b为本申请实施例中的基于深度学习的瑕疵检测方法的分割模型训练流程示意图；
[0049]图4为基于本申请实施方式的计算设备的结构示意图。
具体实施方式
[0050]为了进行信息推广，本申请实施例中提供一种基于深度学习的瑕疵检测方法、计算设备和存储介质。为了更好的理解本申请实施例提供的技术方案，这里对该方案的重要概念基本做一下简单说明：
[0051]漏检率：漏检比率是指AI在检验事件中未发现的不合格品占据当次检验批次总数量的百分比。
[0052]深度学习：深度学习是机器学习中一种基于对数据进行表征学习的方法。
[0053]生成式对抗网络：生成式对抗网络(GAN,Generative AdversarialNetworks)是一种深度学习模型，是近年来复杂分布上无监督学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的瑕疵检测方法，其特征在于，所述方法包括：获取待测件图像数据并进行按照第一预设规则对其进行编码，得到第一待测数据集；对所述第一待测数据集解码后，按照第二预设规则编码获得第二待测数据；运用预设模型提取测件图像数据潜在空间差值与阈值比较；当潜在空间差值超出该阈值时，输出指示异常样本的检测数据。2.根据权利要求1所述的方法，其特征在于，还包括：预设模型生成步骤，包括：获取无瑕疵待测件图像数据并按照第一预设规则对所述图像数据进行编码，得到第一数据集；对所述第一数据集解码后，按照第二预设规则编码获得第二数据集；分别由第一数据集和第二数据集的潜在空间作为训练数据训练生成对抗模型。3.根据权利要求2中所述的方法，其特征在于，获取无瑕疵待测件图像数据前还包括：图像数据预处理步骤，采集无瑕疵待测件原始图像作为训练数据集，通过像素预处理、旋转和镜像反转，得到所述无瑕疵待测件图像数据。4.根据权利要求2
‑
3任一所述的方法，其特征在于，还包括：采用损失函数对所述对抗模型进行优化。5.根据权利要求1
‑
2任一项所述的方法，其特征在于，还包括：采用预测瑕疵概率的步骤，包括：获取待测件图像数据，运用卷积模型，根据所述输出指示异常样本的检测数据，对所述异常样本的检测数据进行瑕疵概率值输出。6.根据权利要求5所述的方法，其特征在于，还包括：卷积模型生成步骤，包括：获取无瑕疵待测件图像数据和瑕疵待测件图像数据；通过卷积网络所述瑕疵待测件图像数据的特征图；将特征图输入至概率函数进行训练，生成所述卷积模型。7.根据权...

【专利技术属性】
技术研发人员：王毅，
申请(专利权)人：杭州深想科技有限公司，
类型：发明
国别省市：