【技术实现步骤摘要】
表面缺陷检测方法、装置及系统
[0001]本申请实施例涉及深度学习
,特别涉及一种表面缺陷检测方法、装置及系统。
技术介绍
[0002]表面缺陷是指物体外观上的瑕疵,表面缺陷具有种类繁多、形态多变、位置不固定以及背景纹理多样化等特点,表面缺陷检测是工业领域质量控制的重要环节,要求表面缺陷检测的精准度越高越好。
[0003]相关技术中的深度学习神经网络只能检测出已知缺陷类别的表面缺陷,对于实际检测中遇到的新类别的缺陷,也即对于未知缺陷类别的表面缺陷,则无法有效检测出。
技术实现思路
[0004]本申请实施例提供了一种表面缺陷检测方法、装置及系统,能够检测未知缺陷类别的表面缺陷,提高检测的精准度。所述技术方案如下:
[0005]一方面,提供了一种表面缺陷检测方法,所述方法包括:
[0006]获取待检测图像;
[0007]将所述待检测图像输入神经网络缺陷分割模型,输出第一检测结果,所述神经网络缺陷分割模型用于检测已知缺陷类别的表面缺陷;
[0008]如果所述第一检测结果为所述待检测图像不存在所述已知缺陷类别的表面缺陷,则将所述待检测图像输入神经网络缺陷特征提取模型,输出待对比特征,所述待对比特征为所述待检测图像的图像特征;
[0009]如果所述待对比特征与正常数据表示特征之间的相似度小于相似度阈值,则确定所述待检测图像存在未知缺陷类别的表面缺陷,所述正常数据表示特征是基于无表面缺陷的图像的图像特征生成的。
[0010]可选地,所述确定所述待检测图 ...
【技术保护点】
【技术特征摘要】
1.一种表面缺陷检测方法,其特征在于,所述方法包括:获取待检测图像;将所述待检测图像输入神经网络缺陷分割模型,输出第一检测结果,所述神经网络缺陷分割模型用于检测已知缺陷类别的表面缺陷;如果所述第一检测结果为所述待检测图像不存在所述已知缺陷类别的表面缺陷,则将所述待检测图像输入神经网络缺陷特征提取模型,输出待对比特征,所述待对比特征为所述待检测图像的图像特征;如果所述待对比特征与正常数据表示特征之间的相似度小于相似度阈值,则确定所述待检测图像存在未知缺陷类别的表面缺陷,所述正常数据表示特征是基于无表面缺陷的图像的图像特征生成的。2.根据权利要求1所述的方法,其特征在于,所述确定所述待检测图像存在未知缺陷类别的表面缺陷之后,还包括:根据所述待对比特征与所述正常数据表示特征之间的相似度,以及图像特征矩阵与图像像素矩阵之间的映射关系,确定所述待检测图像中存在的表面缺陷的缺陷位置。3.根据权利要求1所述的方法,其特征在于,所述将所述待检测图像输入神经网络缺陷分割模型,输出第一检测结果之前,还包括:获取第一数据集,所述第一数据集包括已知缺陷类别的缺陷图像以及对应的第一标注信息,所述第一标注信息为表示缺陷类别的标注信息,所述第一数据集还包括无表面缺陷的图像以及对应的第二标注信息,所述第二标注信息为表示无表面缺陷的标注信息;根据所述第一数据集,训练得到所述神经网络缺陷分割模型。4.根据权利要求1所述的方法,其特征在于,所述将所述待检测图像输入神经网络缺陷特征提取模型,输出待对比特征之前,还包括:获取第二数据集,所述第二数据集包括已知物体类别的图像以及对应的第三标注信息,所述第三标注信息为表示物体类别的标注信息;根据所述第二数据集,训练得到所述神经网络缺陷特征提取模型。5.根据权利要求1
‑
4任一所述的方法,其特征在于,所述如果所述待对比特征与正常数据表示特征之间的相似度小于相似度阈值,则确定所述待检测图像存在未知缺陷类别的表面缺陷之前,还包括:获取至少一个第一样本图像,所述至少一个第一样本图像无表面缺陷;将所述至少一个第一样本图像输入所述神经网络缺陷特征提取模型,输出所述至少一个第一样本图像的图像特征;将所述至少一个第一样本图像的图像特征作为所述正常数据表示特征。6.根据权利要求1
‑
4任一所述的方法,其特征在于,所述如果所述待对比特征与正常数据表示特征之间的相似度小于相似度阈值,则确定所述待检测图像存在未知缺陷类别的表面缺陷之前,还包括:获取多个第二样本图像,所述多个第二样本图像无表面缺陷;将所述多个第二样本图像输入所述神经网络缺陷...
【专利技术属性】
技术研发人员:张营营,钟巧勇,谢迪,浦世亮,
申请(专利权)人:杭州海康威视数字技术股份有限公司,
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。