工业缺陷识别方法、系统、计算设备及存储介质技术方案

本申请实施例公开了一种工业缺陷识别方法、系统、计算设备及存储介质，属于AI领域。在本申请实施例中，首先从待识别图像中提取目标区域，然后再从目标区域中获得包含有工业缺陷的缺陷粗选区域。通过两次区域提取，提高了工业缺陷相对背景的尺寸占比，能够提高小尺寸的工业缺陷的检出概率。在检测出包含有工业缺陷的缺陷粗选区域之后，对缺陷粗选区域中的工业缺陷进行进一步定位和尺寸估计，能够有效提高缺陷定位和尺寸估计的精度。另外，本申请实施例中不仅对缺陷类型进行了识别，还能够对工业缺陷进行定位和尺寸估计，丰富了工业缺陷的识别维度。别维度。别维度。

【技术实现步骤摘要】
工业缺陷识别方法、系统、计算设备及存储介质


[0001]本申请实施例涉及人工智能(artificial intelligence，AI)
，特别涉及一种工业缺陷识别方法、系统及存储介质。

技术介绍

[0002]在工业领域中，工业产品在生产、制造和维护的过程中可能会出现工业缺陷，例如，焊缝缺陷。为了保证工业产品能够正常使用，对工业产品进行工业缺陷检测是必要的。当前，基于工业产品的图像进行检测是工业缺陷检测的重要手段之一。另外，随着近些年来神经网络模型在图像识别领域的广泛应用，已有一些通过神经网络模型对图像中的工业缺陷进行识别的方法出现。然而，目前通过神经网络模型进行工业缺陷识别的方法往往仅适合对大尺寸工业缺陷的识别，对小尺寸工业缺陷的识别能力有限，并且，识别结果往往仅包含对工业缺陷类型的识别，识别维度单一。

技术实现思路

[0003]本申请实施例提供了一种工业缺陷识别方法、系统、计算设备及存储介质，能够提高小尺寸的工业缺陷的检出概率，提高缺陷定位和尺寸估计的精度，丰富工业缺陷的识别维度。所述技术方案如下：
[0004]第一方面，提供了一种工业缺陷识别方法，所述方法包括：获取待识别图像，所述待识别图像为反映工业产品的图像；根据目标区域检测模型从所述待识别图像中提取至少一个目标区域，所述至少一个目标区域为可能存在工业缺陷的区域；根据所述至少一个目标区域和缺陷检测模型，获得所述至少一个目标区域中包含有工业缺陷的目标区域的缺陷粗选区域，和所述缺陷粗选区域包含的工业缺陷的类型；确定所述缺陷粗选区域包含的工业缺陷的尺寸和位置。
[0005]在本申请实施例中，首先从待识别图像中提取目标区域，然后再从目标区域中获得包含有工业缺陷的缺陷粗选区域。通过两次区域提取，提高了工业缺陷相对背景的尺寸占比，能够提高小尺寸的工业缺陷的检出概率。在检测出包含有工业缺陷的缺陷粗选区域之后，对缺陷粗选区域中的工业缺陷进行进一步定位和尺寸估计，能够有效提高缺陷定位和尺寸估计的精度。另外，本申请实施例中不仅对缺陷类型进行了识别，还能够对工业缺陷进行定位和尺寸估计，丰富了工业缺陷的识别维度。
[0006]可选地，所述根据所述至少一个目标区域和缺陷检测模型，获得所述至少一个目标区域中包含有工业缺陷的目标区域的缺陷粗选区域，和所述缺陷粗选区域包含的工业缺陷的类型的实现过程为：将所述至少一个目标区域作为所述缺陷检测模型的输入，通过所述缺陷检测模型进行推理，获得所述至少一个目标区域中包含有工业缺陷的目标区域的缺陷粗选区域在目标区域中的位置，和所述缺陷粗选区域包含的工业缺陷的缺陷类型，其中，所述缺陷检测模型为利用缺陷训练样本训练完成的人工智能AI模型；根据所述缺陷粗选区域在所述目标区域中的位置，从所述目标区域中提取所述缺陷粗选区域。
[0007]其中，至少一个目标区域为可能发生工业缺陷的区域。这样，对于任意一个目标区域，该目标区域中可能包含有工业缺陷，也可能不包括。基于此，在将目标区域提取出来之后，可以进一步通过缺陷检测模型对目标区域检测，以确定该目标区域是否包含有工业缺陷，如果包含有工业缺陷，则该缺陷检测模型能够输出包含有该工业缺陷的缺陷粗选区域和该工业缺陷的类型。
[0008]在本申请实施例中，通过目标区域检测模型提取到的目标区域是一个某种工业缺陷可能发生的范围较大的区域，而通过缺陷检测模型得到缺陷粗选区域则是在目标区域的基础上进一步缩小范围后提取出的一个相较该目标区域更小的包含有工业缺陷的区域。这样，工业缺陷在该目标区域中的占比将大于在待识别图像中的占比，在缺陷粗选区域中的占比又将大于在目标区域中的占比。也即，通过从待识别图像中提取目标区域，然后再从目标区域中提取缺陷粗选区域，逐渐的提高了工业缺陷相对背景的占比，这样，能够提高小尺寸的工业缺陷的检出概率。
[0009]可选地，所述确定所述缺陷粗选区域包含的工业缺陷的尺寸和位置的实现过程可以为：根据所述缺陷粗选区域内的灰度分布，确定所述缺陷粗选区域包含的工业缺陷在所述缺陷粗选区域内的位置和尺寸；根据所述缺陷粗选区域在所述目标区域中的位置、所述目标区域在所述待识别图像中的位置以及所述缺陷粗选区域包含的工业缺陷在所述缺陷粗选区域内的位置，确定所述缺陷粗选区域包含的工业缺陷在所述待识别图像中的位置。
[0010]在本申请实施例中，在检测出包含有工业缺陷的缺陷粗选区域之后，根据缺陷粗选区域内的灰度分布，对缺陷粗选区域中的工业缺陷进行进一步定位和尺寸估计，能够有效提高缺陷定位和尺寸估计的精度。
[0011]可选地，在对缺陷粗选区域内的工业缺陷进行定位和尺寸估计之后，所述方法还包括：生成检测报告，所述检测报告包括在所述待识别图像中检测到的工业缺陷的缺陷类型、尺寸和位置；向用户提供所述检测报告。
[0012]可选地，所述工业缺陷为焊缝缺陷，所述目标区域为焊缝所在的区域。
[0013]可选地，所述方法还包括：获取多个工业训练样本，每个工业训练样本均对应有目标区域标注信息，所述目标区域标注信息包括相应工业训练样本中标注的多自由度四边形的位置信息和用于指示相应多自由度四边形为目标区域的标注类别信息；通过所述多个工业训练样本和每个工业训练样本的目标区域标注信息对目标区域检测网络进行训练，得到所述目标区域检测模型。
[0014]在本申请实施例中，采用多自由度四边形对工业训练样本中可能包含有工业缺陷的目标区域进行标注，进而通过该工业训练样本对目标区域检测网络进行训练，以获得目标区域检测模型，这样，该目标区域检测模型能够更为准确的检测图像中以不同方向、形态分布的可能包含缺陷的各种目标区域。
[0015]可选地，所述通过所述多个工业训练样本和每个工业训练样本的目标区域标注信息对目标区域检测网络进行训练的实现过程可以为：根据第一工业训练样本的目标区域标注信息，确定第一外接矩形和第二外接矩形，所述第一外接矩形是指所述第一工业训练样本中标注的多自由度四边形的最小旋转外接矩形，所述第二外接矩形是指所述第一外接矩形的水平外接矩形；通过所述目标区域检测网络确定所述第一工业训练样本中的多自由度四边形的预测值、所述第一外接矩形的预测值、所述第二外接矩形的预测值和预测类别信
息；根据所述第一工业训练样本的目标区域标注信息、所述第一外接矩形、所述第二外接矩形、所述第一工业训练样本中的多自由度四边形的预测值、所述第一外接矩形的预测值、所述第二外接矩形的预测值和所述预测类别信息，计算损失函数值；根据所述损失函数值对所述目标区域检测网络进行参数更新。
[0016]可选地，所述方法还包括：获取多个缺陷训练样本；通过所述目标区域检测模型从所述多个缺陷训练样本中提取多个目标区域；获取所述多个目标区域中包含有工业缺陷的目标区域的缺陷标注信息，所述缺陷标注信息用于指示相应目标区域内的工业缺陷的缺陷类型和位置；通过包含有工业缺陷的目标区域和相应目标区域的缺陷标注信息对缺陷检测网络进行训练，得到所述缺陷检测模型。
[0017]在本申请实施例中，先训练得到目标区域检测模型，之后，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业缺陷识别方法，其特征在于，所述方法包括：获取待识别图像，所述待识别图像为反映工业产品的图像；根据目标区域检测模型从所述待识别图像中提取至少一个目标区域，所述至少一个目标区域为可能存在工业缺陷的区域；根据所述至少一个目标区域和缺陷检测模型，获得所述至少一个目标区域中包含有工业缺陷的目标区域的缺陷粗选区域，和所述缺陷粗选区域包含的工业缺陷的类型；确定所述缺陷粗选区域包含的工业缺陷的尺寸和位置。2.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个目标区域和缺陷检测模型，获得所述至少一个目标区域中包含有工业缺陷的目标区域的缺陷粗选区域，和所述缺陷粗选区域包含的工业缺陷的类型，包括：将所述至少一个目标区域作为所述缺陷检测模型的输入，通过所述缺陷检测模型进行推理，获得所述至少一个目标区域中包含有工业缺陷的目标区域的缺陷粗选区域在目标区域中的位置，和所述缺陷粗选区域包含的工业缺陷的缺陷类型，其中，所述缺陷检测模型为利用缺陷训练样本训练完成的人工智能AI模型；根据所述缺陷粗选区域在所述目标区域中的位置，从所述目标区域中提取所述缺陷粗选区域。3.根据权利要求1或2所述的方法，其特征在于，所述确定所述缺陷粗选区域包含的工业缺陷的尺寸和位置，包括：根据所述缺陷粗选区域内的灰度分布，确定所述缺陷粗选区域包含的工业缺陷在所述缺陷粗选区域内的位置和尺寸；根据所述缺陷粗选区域在所述目标区域中的位置、所述目标区域在所述待识别图像中的位置以及所述缺陷粗选区域包含的工业缺陷在所述缺陷粗选区域内的位置，确定所述缺陷粗选区域包含的工业缺陷在所述待识别图像中的位置。4.根据权利要求1
‑
3任一所述的方法，其特征在于，所述方法还包括：生成检测报告，所述检测报告包括在所述待识别图像中检测到的工业缺陷的缺陷类型、尺寸和位置；向用户提供所述检测报告。5.根据权利要求1
‑
4任一所述的方法，其特征在于，所述工业缺陷为焊缝缺陷，所述目标区域为焊缝所在的区域。6.根据权利要求1
‑
5任一所述的方法，其特征在于，所述方法还包括：获取多个工业训练样本，每个工业训练样本均对应有目标区域标注信息，所述目标区域标注信息包括相应工业训练样本中标注的多自由度四边形的位置信息和用于指示相应多自由度四边形为目标区域的标注类别信息；通过所述多个工业训练样本和每个工业训练样本的目标区域标注信息对目标区域检测网络进行训练，得到所述目标区域检测模型。7.根据权利要求1
‑
6任一所述的方法，其特征在于，所述方法还包括：获取多个缺陷训练样本；通过所述目标区域检测模型从所述多个缺陷训练样本中提取多个目标区域；获取所述多个目标区域中包含有工业缺陷的目标区域的缺陷标注信息，所述缺陷标注
信息用于指示相应目标区域内的工业缺陷的缺陷类型和位置；通过包含有工业缺陷的目标区域和相应目标区域的缺陷标注信息对缺陷检测网络进行训练，得到所述缺陷检测模型。8.根据权利要求1
‑
7任一所述的方法，其特征在于，所述目标区域检测模型使用多自由度四边形作为检测框，所述多自由度四边形的各个边与所述待识别图像的各个边的角度为0度至180度中的任一数值。9.一种工业缺陷识别系统，其特征在于，所述工业缺陷识别系统包括：目标区域检测模块，用于获取待识别图像，所述待识别图像为反映工业产品的图像；根据目标区域检测模型从所述待识别图像中提取至少一个目标区域，所述至少一个目标区域为可能存在工业缺陷的区...

【专利技术属性】
技术研发人员：王秀东，金鑫，涂丹丹，
申请(专利权)人：华为云计算技术有限公司，
类型：发明
国别省市：