用于纸张缺陷检测的方法、装置、检测设备和存储介质制造方法及图纸

本申请涉及深度学习技术领域，公开一种用于纸张缺陷检测的方法，包括：采集被检测纸张的深度图像；对深度图像进行可视化处理；将可视化处理后的深度图像输入测试完成的分割网络模型，得到深度图像中前景区域的深度点云数据；对前景区域的深度点云数据进行归一化处理；将归一化处理后的前景区域的深度点云数据输入测试完成的分类网络模型中进行缺陷分析。上述方案在利用分割网络模型去除背景区域的同时，保留了图像的深度信息。进而再输入到分类网络模型进行缺陷检测，相较于相关技术通过降维来提取特征的方式而言，保留了三维图像中的深度信息，从而提高了纸张缺陷检测的准确性。本申请还公开一种用于纸张缺陷检测的装置、检测设备和存储介质。检测设备和存储介质。检测设备和存储介质。

Method, device, detection device and storage medium for paper defect detection

【技术实现步骤摘要】
用于纸张缺陷检测的方法、装置、检测设备和存储介质


[0001]本申请涉及深度学习
，具体而言，涉及一种用于纸张缺陷检测的方法、装置、检测设备和存储介质。

技术介绍

[0002]目前，传统的纸张缺陷检测大部分是基于可见光的缺陷检测，而深度缺陷属于非可见光的缺陷检测，因此在图像上不可见，传统的算法也无法进行缺陷检测。现有技术中，针对深度缺陷的纸张检测技术大多都是用人工进行检测，也即是通过肉眼来观察纸张是否存在缺陷。但人工检测存在人工成本高，检测主观性强，检测时间久等问题。
[0003]相关技术公开了一种基于机器视觉的纸张缺陷检测方法，包括：获取纸张图像；放入缺陷模型对纸张进行检测，得到纸张存在的缺陷类型及对应的缺陷编号；其中，利用缺陷模型进行检测包括：对图像进行特征提取、放入特征图、对特征图降维操作，最后根据降维后的特征图来检测纸张存在的缺陷及缺陷类型。
[0004]相关技术的问题在于，获取纸张图像后直接放入到缺陷模型中，而模型中采用对图像处理的方式是通过降维来提取图像主要特征，这样就忽视了图像中深度对缺陷检测带来的影响，降低了纸张缺陷检测的准确性，尤其是当检测精度在微米级时，忽略了图像中的深度信息，更不能保证对纸张缺陷检测的准确性。

技术实现思路

[0005]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0006]本公开实施例提供了一种用于纸张缺陷检测的方法、装置、检测设备和存储介质，可以在缺陷检测的过程中保留图像中的深度信息，提高纸张缺陷检测的准确性。
[0007]在一些实施例中，所述用于纸张缺陷检测的方法包括：采集被检测纸张的深度图像；
[0008]对深度图像进行可视化处理；
[0009]将可视化处理后的深度图像输入测试完成的分割网络模型，得到深度图像中前景区域的深度点云数据；
[0010]对前景区域的深度点云数据进行归一化处理；
[0011]将归一化处理后的前景区域的深度点云数据输入测试完成的分类网络模型中进行缺陷分析。
[0012]可选地，分割网络模型的训练方法包括：
[0013]获得具有背景标签信息的深度图像，并由具有背景标签信息的深度图像生成训练集和测试集；
[0014]搭建用于提取前景区域的分割网络模型；
[0015]使用训练集对分割网络模型进行训练，得到训练后的分割网络模型；
[0016]使用测试集对分割网络模型进行性能测试，得到测试完成的分割网络模型。
[0017]背景标签信息包括前景区域标签和背景区域标签。
[0018]可选地，分类网络模型的训练方法包括：
[0019]获得具有缺陷标签信息的深度图像，并由具有缺陷标签信息的深度图像生成训练集和测试集；
[0020]搭建用于纸张缺陷检测的分类网络模型；
[0021]使用训练集对分类网络模型进行训练，得到训练后的分类网络模型；
[0022]使用测试集对分类网络模型进行性能测试，得到测试完成的分类网络模型。
[0023]缺陷标签信息包括纸张正常标签和纸张缺陷标签。
[0024]可选地，将深度图像输入分割网络模型或分类网络模型前，还包括：
[0025]对深度图像进行压缩处理，以适应分割网络模型或分类网络模型的格式。
[0026]可选地，分割网络模型包括Unet网络结构，分类网络模型包括resent18网络结构。
[0027]在一些实施例中，所述用于纸张缺陷检测的装置包括：处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行上述的用于纸张缺陷检测的方法。
[0028]在一些实施例中，所述检测设备包括：采集系统，包含多个用于采集被检测纸张深度图像的传感相机；和上述的用于纸张缺陷检测的装置。
[0029]本公开实施例提供的用于纸张缺陷检测的方法、装置、检测设备和存储介质，可以实现以下技术效果：
[0030]本专利技术应用于深度学习
，首先采集被检测纸张的深度图像，将深度图像输入分割网络模型提取前景区域的深度点云数据，从而将重点区域与背景区域进行分离。进而将前景区域的深度点云数据进行归一化处理后，输入到分类网络模型中进行缺陷分析。通过本申请的方案，在纸张的缺陷检测中先后采用了两个模型，第一次利用分割网络模型，在去除背景区域，得到主要检测区域的同时，还保留图像的深度信息，得到深度图像中前景区域的深度点云数据。进而再将归一化处理后的数据输入到分类网络模型进行缺陷检测，相较于相关技术中直接将纸张图像放入缺陷检测模型，通过降维来提取图像主要特征的方式而言，保留了三维图像中的深度信息，从而提高了纸张缺陷检测的准确性。
[0031]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0032]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0033]图1是本公开实施例提供的用于纸张缺陷检测的方法的示意图；
[0034]图2是本公开实施例提供的分割网络模型的训练方法的示意图；
[0035]图3是本公开实施例提供的分类网络模型的训练方法的示意图；
[0036]图4是本公开实施例提供的又一个用于纸张缺陷检测的方法的示意图；
[0037]图5是本公开实施例提供的一个用于纸张缺陷检测的装置的示意图；
[0038]图6是本公开实施例提供的一个检测设备的示意图。
具体实施方式
[0039]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0040]结合图5
‑
6所示，检测设备包括采集系统601和检测装置602。其中，检测装置602包括处理器(processor)500和存储器(memory)501。可选地，该装置还可以包括通信接口(Communication Interface)502和总线503。其中，处理器500、通信接口502、存储器501可以通过总线503完成相互间的通信。通信接口502可以用于信息传输。处理器500可以调用存储器501中的逻辑指令，以执行用于纸张缺陷检测的方法。
[0041]结合图1所示，本公开实施例提供一种用于纸张缺陷检测的方法，包括：
[0042]S101，采集系统采集被检测纸张的深度图像。
[0043]S102，处理器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于纸张缺陷检测的方法，其特征在于，包括：采集被检测纸张的深度图像；对所述深度图像进行可视化处理；将可视化处理后的所述深度图像输入测试完成的分割网络模型，得到所述深度图像中前景区域的深度点云数据；对所述前景区域的深度点云数据进行归一化处理；将归一化处理后的所述前景区域的深度点云数据输入测试完成的分类网络模型中进行缺陷分析。2.根据权利要求1所述的方法，其特征在于，所述分割网络模型的训练方法包括：获得具有背景标签信息的深度图像，并由所述具有背景标签信息的深度图像生成训练集和测试集；搭建用于提取前景区域的分割网络模型；使用所述训练集对分割网络模型进行训练，得到训练后的分割网络模型；使用所述测试集对分割网络模型进行性能测试，得到所述测试完成的分割网络模型。3.根据权利要求2所述的方法，其特征在于，所述背景标签信息包括前景区域标签和背景区域标签。4.根据权利要求1所述的方法，其特征在于，所述分类网络模型的训练方法包括：获得具有缺陷标签信息的深度图像，并由所述具有缺陷标签信息的深度图像生成训练集和测试集；搭建用于纸张缺陷检测的分类网络模型；使用所述训练...

【专利技术属性】
技术研发人员：刘畅，陈瑞侠，冒树林，李震，张智铭，尹俊伟，陈红兰，王瑞峰，邱琼文，
申请(专利权)人：北京明略软件系统有限公司，
类型：发明
国别省市：