【技术实现步骤摘要】
一种缺陷的检测方法、装置以及设备
[0001]本专利技术涉及计算机
，尤其涉及一种缺陷的检测方法、装置以及设备。
技术介绍
[0002]目前，基于机器视觉的表面缺陷设备已在3C，汽车，家用电器，机械制造，半导体和电子，化学，制药，航空航天，轻工等多个行业的各个领域中广泛取代了人工视觉检查。基于机器视觉的传统表面缺陷检测方法通常使用常规图像处理算法或人为设计的特征以及分类器。一般而言，成像方案通常是通过使用被检查表面或缺陷的不同属性来设计的。合理的成像方案有助于获得照明均匀的图像，并清晰地反映物体的表面缺陷。近年来，许多基于深度学习的缺陷检测方法也已广泛用于各种工业场景中。
[0003]在工业缺陷检测场景中，检测未知类缺陷并分类是非常重要的需要被解决的问题。传统的表面缺陷检测算法通常是针对不同的缺陷手工设计特征提取算法和决策算法。在传统算法中，每张图像中选择重要特征是必要步骤。而随着类别数量的增加，特征提取变得越来越麻烦。要确定哪些特征最能描述不同的目标类别，取决于算法工程师的判断和长期试错。此外，每个特征定义还...
【技术保护点】
【技术特征摘要】
1.一种缺陷的检测方法，其特征在于，包括：提取待检图像的不同尺度的第一特征图；获得所述第一特征图上的第一特征点与特征模板库之间的匹配度集合；判断所述第一特征点对应的匹配度集合是否满足要求；若满足要求，则输出与所述第一特征点对应的新类别的缺陷的检测结果。2.根据权利要求1所述的缺陷的检测方法，其特征在于，若不满足要求，则依据所述不同尺度的第一特征图获得与所述第一特征点对应的已知类别的检测结果并输出；其中，所述已知类别包括多个已知缺陷类别和无缺陷类别。3.根据权利要求1所述的缺陷的检测方法，其特征在于，获得所述第一特征图上的第一特征点与特征模板库之间的匹配度集合，具体包括：提取所述第一特征图上的所有第一特征点；针对每个第一特征点，将所述第一特征点的特征与所述特征模板库中每个特征集中的特征点进行匹配，获得所述第一特征点与每个已知类别的匹配度，并将所述第一特征点与所有已知类别的匹配度形成的集合作为所述匹配度集合；其中，所述已知类别包括多个已知缺陷类别和无缺陷类别。4.根据权利要求3所述的缺陷的检测方法，其特征在于，若所述匹配度集合中的每个匹配度均小于第一阈值，则判定所述第一特征点对应的匹配度集合满足要求。5.根据权利要求4所述的缺陷的检测方法，其特征在于，判断所述第一特征点对应的匹配度集合是否满足要求，还包括：若所述匹配度集合中的每个匹配度均小于所述第一阈值，则计算所述匹配度集合中所有匹配度的均值；判断所述均值是否小于第二阈值；若是，则判定所述第一特征点对应的匹配度集合满足要求。6.根据权利要求2所述的缺陷的检测方法，其特征在于，通过检测模型获得所述第一特征图和所述已知类别的检测结果；并且，所述检测方法还包括：收集具有新类别的缺陷的待检图像，形成新缺陷类别的训练集；利用所述新缺陷类别的训练集进一步训练所述检测模型。7.根据权利要求1所述的缺陷的检测方法，其特征在于，构建所述特征模板库包括：提取已知类别的训练集中每个图像的不同尺度的第二特征图；依据第二特征图获得无缺陷特征集和与每个已知缺陷类别对应的缺陷特征集；将所有已知缺陷类别的缺陷特征集和所述无缺陷特征集形成的第一集合作为所述特征模板库；其中，所述已知类别包括多个已知缺陷类别和无缺陷类别。8.根据权利要求7所述的缺陷的检测方法，其特征在于，依据第二特征图获得无缺陷特征集和与每个已知缺陷类别对应的缺陷特征集，具体包括：判断所述第二特征图上的第二特征点是否包含已知缺陷的一部分；若是，则将所述第二特征点加入与该已知缺陷所属的已知缺陷类别对应的缺陷特征集；
若所述第二特征点没有缺陷，则将所述第二特征点加入无缺陷特征集。9.根据权利要求8所述的缺陷的检测方法，其特征在于，若所述第二特征点包含已知缺陷的一部分，则判断所述已知缺陷的一部分是否为该已知缺陷的中心；若是，则将所述第二特征点加入与该已知缺陷所属的已知缺陷类别对应的缺陷特征集。10.根据权利要求7所述的缺陷的检测方法，其特征在于...
【专利技术属性】
技术研发人员：罗丽兰，程大龙，
申请(专利权)人：科大讯飞华南人工智能研究院广州有限公司，
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。