本申请涉及一种物体表面缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品，应用于人工智能技术领域，用于提高物体表面缺陷检测精准度。所述方法包括：对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；将所述增强图像输入到预先构建的缺陷检测模型中，通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像；所述预测掩膜图像携带有所述预测掩膜图像中各像素点对应的缺陷类别；根据针对所述待检测物体的缺陷检测指令，对所述预测掩膜图像中的缺陷类别进行过滤处理，得到所述待检测物体的目标缺陷。待检测物体的目标缺陷。待检测物体的目标缺陷。
【技术实现步骤摘要】
物体表面缺陷检测方法、装置、计算机设备和存储介质
[0001]本申请涉及人工智能
，特别是涉及一种物体表面缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着工业智能化的程度不断提高，人工智能技术也逐渐被应用在工业行业中，通过人工智能技术来简化工业流程、提升工业质检效率成为了当下工业行业的热点。高精密仪器行业对工件的质量要求非常高，需要精确检测出生产的精密工件上是否存在划痕和脏污等。然而在高精密工业场景中，多数工件的体积较小，人工通过肉眼判断精密工件的表面缺陷例如毛丝、细划痕、轻脏污等缺陷的难度较大，而且人工检测体积较小的高精密工业仪器的缺陷会非常耗时耗力。
[0003]传统技术中，通常使用语义分割技术对物体图像的图像区域进行划分，例如灰度、纹理、颜色、形状等，让不同区域间差异性明显，从而判断出物体的缺陷位置。然而传统的语义分割技术的关注度更倾向于体积较大的物体，如场景中的人、车等，往往会忽略体积较小的物体或者画面中占比较小的图案，且传统的语义分割技术处理物体的边缘精度不够，无法精准识别出物体的缺陷，由此存在高精密工业行业中时细小缺陷的识别精准度较低的问题。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高物体表面缺陷检测精准度的物体表面缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种物体表面缺陷检测方法。所述方法包括：
[0006]对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；
[0007]将所述增强图像输入到预先构建的缺陷检测模型中，通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像；所述预测掩膜图像携带有所述预测掩膜图像中各像素点对应的缺陷类别；
[0008]根据针对所述待检测物体的缺陷检测指令，对所述预测掩膜图像中的缺陷类别进行过滤处理，得到所述待检测物体的目标缺陷。
[0009]在其中一个实施例中，通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像，包括：
[0010]根据所述缺陷检测模型中的编码器，对所述增强图像进行多尺度特征融合处理，得到所述增强图像的多尺度特征；
[0011]根据所述缺陷检测模型中的解码器，对所述多尺度特征进行缺陷预测处理，得到所述增强图像的预测掩膜图像。
[0012]在其中一个实施例中，根据所述缺陷检测模型中的编码器，对所述增强图像进行多尺度特征融合处理，得到所述增强图像的多尺度特征，包括：
[0013]若所述编码器中的当前尺度比位于所述编码器中的首层级联网络时，则对所述增强图像进行特征提取处理，得到第一特征，作为所述多尺度特征；
[0014]若所述编码器中的当前尺度比位于所述编码器中的除首层级联网络之外的级联网络时，则对所述当前尺度比接收的所有特征进行融合处理，得到融合特征；对所述融合特征进行特征提取处理，得到目标特征，作为所述多尺度特征。
[0015]在其中一个实施例中，对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像，包括：
[0016]根据选择的图像增强方式，对所述待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；所述图像增强方式包括图像拼接方式、通道叠加方式、信息融合方式中的至少一种。
[0017]在其中一个实施例中，根据选择的图像增强方式，对所述待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像，包括：
[0018]当所述选择的图像增强方式为通道叠加方式时，对所述物体图像进行通道提取处理，得到所述物体图像的通道信息，并对所述通道信息进行通道叠加处理，得到叠加图像，作为所述增强图像；
[0019]当所述选择的图像增强方式为信息融合方式时，对所述物体图像进行特征提取处理，得到所述物体图像的关键特征，并对所述关键特征进行特征转换处理，得到关键信息图像，作为所述增强图像；
[0020]当所述选择的图像增强方式为图像拼接方式时，对所述物体图像进行拼接处理，得到拼接图像，作为所述增强图像。
[0021]在其中一个实施例中，在将所述增强图像输入到预先构建的缺陷检测模型中之前，还包括：
[0022]对所述增强图像进行数据增强处理，得到所述待检测物体的多维度图像；
[0023]使用所述多维度图像更新所述增强图像。
[0024]在其中一个实施例中，在对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像之后，还包括：
[0025]对所述增强图像中的图像区域的进行分类处理，得到所述增强图像中的各图像区域的类别信息；
[0026]根据所述类别信息，生成所述增强图像的类别掩膜图像；
[0027]将所述增强图像和所述增强图像对应的类别掩膜图像输入到待训练的缺陷检测模型中进行迭代训练，得到训练后缺陷检测模型，作为所述预先构建的缺陷检测模型。
[0028]第二方面，本申请还提供了一种物体表面缺陷检测装置。所述装置包括：
[0029]增强模块，用于对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；
[0030]检测模块，用于将所述增强图像输入到预先构建的缺陷检测模型中，通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像；所述预测掩膜图像携带有所述预测掩膜图像中各像素点对应的缺陷类别；
[0031]过滤模块，用于根据针对所述待检测物体的缺陷检测指令，对所述预测掩膜图像中的缺陷类别进行过滤处理，得到所述待检测物体的目标缺陷。
[0032]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0033]对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；
[0034]将所述增强图像输入到预先构建的缺陷检测模型中，通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像；所述预测掩膜图像携带有所述预测掩膜图像中各像素点对应的缺陷类别；
[0035]根据针对所述待检测物体的缺陷检测指令，对所述预测掩膜图像中的缺陷类别进行过滤处理，得到所述待检测物体的目标缺陷。
[0036]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0037]对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；
[0038]将所述增强图像输入到预先构建的缺陷检测模型中，通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像；所述预测掩膜图像携带有所述预测掩膜图像中各像素点对应的缺陷类别；
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种物体表面缺陷检测方法，其特征在于，所述方法包括：对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；将所述增强图像输入到预先构建的缺陷检测模型中，通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像；所述预测掩膜图像携带有所述预测掩膜图像中各像素点对应的缺陷类别；根据针对所述待检测物体的缺陷检测指令，对所述预测掩膜图像中的缺陷类别进行过滤处理，得到所述待检测物体的目标缺陷。2.根据权利要求1所述的方法，其特征在于，所述通过所述缺陷检测模型对所述增强图像进行缺陷预测处理，得到所述增强图像的预测掩膜图像，包括：根据所述缺陷检测模型中的编码器，对所述增强图像进行多尺度特征融合处理，得到所述增强图像的多尺度特征；根据所述缺陷检测模型中的解码器，对所述多尺度特征进行缺陷预测处理，得到所述增强图像的预测掩膜图像。3.根据权利要求2所述的方法，其特征在于，所述根据所述缺陷检测模型中的编码器，对所述增强图像进行多尺度特征融合处理，得到所述增强图像的多尺度特征，包括：若所述编码器中的当前尺度比位于所述编码器中的首层级联网络时，则对所述增强图像进行特征提取处理，得到第一特征，作为所述多尺度特征；若所述编码器中的当前尺度比位于所述编码器中的除首层级联网络之外的级联网络时，则对所述当前尺度比接收的所有特征进行融合处理，得到融合特征；对所述融合特征进行特征提取处理，得到目标特征，作为所述多尺度特征。4.根据权利要求1所述的方法，其特征在于，所述对待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像，包括：根据选择的图像增强方式，对所述待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像；所述图像增强方式包括图像拼接方式、通道叠加方式、信息融合方式中的至少一种。5.根据权利要求4所述的方法，其特征在于，所述根据选择的图像增强方式，对所述待检测物体的物体图像进行图像增强处理，得到所述物体图像的增强图像，包括：当所述选择的图像增强方式为通道叠加方式时，对所述物体图像进行通道提取处理，得...
【专利技术属性】
技术研发人员：王远，刘枢，吕江波，沈小勇，
申请(专利权)人：北京思谋智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。