一种零件表面缺陷检测方法、装置、设备及介质制造方法及图纸

本发明专利技术提供了一种零件表面缺陷检测方法、装置、设备及介质，涉及目标检测技术领域，包括以下：基于高分辨率网络建立初始模型，采用训练数据对所述初始模型进行训练，获得目标模型；在所述目标模型中，将不同分辨率的特征图进行并联，在并联后的特征图基础上，添加不同分辨率的特征图之间的交互；在卷积模块和处理模块中采用双通道处理对特征图上每个像素点，在通道维度上进行信息交换；在融合模块中采用可分离卷积对特征图提取特征以进行多分辨率融合；获取目标图像，采用所述目标模型对所述目标图像进行处理，获得带有缺陷标记的目标结，以解决现有图像识别零件表面缺陷由于压缩失去小区域特征导致检测结果准确度较低的问题。题。题。

【技术实现步骤摘要】
一种零件表面缺陷检测方法、装置、设备及介质


[0001]本专利技术涉及目标检测
，尤其涉及一种零件表面缺陷检测方法、装置、设备及介质。

技术介绍

[0002]金属表面缺陷检测一直是工业生产中最常见的难点，在工业金属生产过程中，利用摄像头等图像采集装置采集作业环境的图像信息，用图像处理技术提取有效信息，代替人眼做出各种对金属表面缺陷做出检测和判断，从而大大提高检测的效率和自动化水平。
[0003]传统的基于机器视觉的缺陷检测流程一般包括图像的采集和预处理、缺陷特征的提取和识别分类但缺陷种类繁多(典型瑕疵有：氧化、脱皮、漏涂、水纹印、折痕、凹凸、锈斑、刮伤、压伤、辊印、气泡、辊点、麻点、未涂漆、缩孔、杂质、纤维、油漆渣、爆漆、腐蚀、褶皱、异物压入、黑点、黑斑、油斑、色差等一系列不适合生产的金属缺陷)导致计算繁琐。
[0004]关于表面缺陷的检测，现有主要有两种流派：基于传统图像处理方法和机器学习方法，这两种方法建立在手工特征和浅层机器学习。传统的图像处理方法利用局部异常所反映的原始属性来检测和分割缺陷，进一步分为结构法、阈值法、光谱法和基于模型的方法，但是其缺点在于识别的精度太低，这主要由于传统处理图像过程中会在压缩图样时使得图像失去微小区域的特征，而在金属表面通常微小区域更容易出现缺陷的问题，因此需要一种准确度较高的识别方法。

技术实现思路

[0005]为了克服上述技术缺陷，本专利技术的目的在于提供一种零件表面缺陷检测方法、装置、设备及介质，用于克服现有图像识别零件表面缺陷由于压缩失去小区域特征导致检测结果准确度较低的问题。
[0006]本专利技术公开了一种零件表面缺陷检测方法，包括以下：
[0007]基于高分辨率网络建立初始模型，采用训练数据对所述初始模型进行训练，获得目标模型，其中，所述训练数据包括带有缺陷标记的零件表面图；
[0008]在所述目标模型中，进行四次采样处理，经过卷积模块、处理模块和融合模块的处理，将不同分辨率的特征图进行并联，在并联后的特征图基础上，添加不同分辨率的特征图之间的交互；
[0009]在卷积模块和处理模块中采用双通道处理对特征图上每个像素点，在通道维度上进行信息交换；其中，所述双通道处理包括一通道对输入特征依次采用第一权重矩阵、3*3深度卷积层、第二权重矩阵处理，并与另一通道输出的输入特征融合；
[0010]在融合模块中采用可分离卷积对特征图提取特征以进行多分辨率融合；
[0011]获取目标图像，采用所述目标模型对所述目标图像进行处理，获得带有缺陷标记的目标结果。
[0012]优选地，所述第一权重矩阵对所述输入特征进行交叉分辨率权重计算获得；
[0013]所述第二权重矩阵对所述输入特征进行空间权重计算获得。
[0014]优选地，所述在并联后的特征图基础上，添加不同分辨率的特征图之间的交互，包括：
[0015]对不同分辨率的特征图进行复制，并采用双线性采样和单层卷积进行通道数统一；
[0016]采用3*3卷积对通道数统一后的特征图进行分辨率降低；
[0017]对各个降低分辨率的特征图进行相加融合，以添加不同分辨率的特征图之间的交互。
[0018]优选地，在PaddleSeg框架下调用GPU资源运行对所述初始模型进行训练，获得目标模型。
[0019]优选地，所述采用训练数据对所述初始模型进行训练前，包括：
[0020]采集无损压缩格式的零件表面图，并对各个零件表面图采用辅助标记工具进行标记，生成带有缺陷标记的零件表面图作为训练数据。
[0021]优选地，在对各个零件表面图采用辅助标记工具进行标记后，包括：
[0022]采用预设转换工具将灰度标记转化为伪彩色标记。
[0023]优选地，所述基于高分辨率网络建立初始模型，采用训练数据对所述初始模型进行训练，获得目标模型，包括：
[0024]调用预设配置文件对初始模型配置参数，在训练过程中调整参数直至获得目标模型；
[0025]调用可视化接口输出训练过程中的输出图像，以进行实时监测。
[0026]本专利技术还提供一种零件表面缺陷检测装置，包括以下：
[0027]训练模块，用于基于高分辨率网络建立初始模型，采用训练数据对所述初始模型进行训练，获得目标模型，其中，所述训练数据包括带有缺陷标记的零件表面图；
[0028]处理模块，用于在所述目标模型中，进行四次采样处理，将不同分辨率的特征图进行并联，在并联后的特征图基础上，添加不同分辨率的特征图之间的交互，其中每一阶段包含经过卷积模块、处理模块和融合模块的处理；
[0029]在卷积模块和处理模块中采用双通道处理对特征图上每个像素点，在通道维度上进行信息交换；其中，所述双通道处理包括一通道对输入特征依次采用第一权重矩阵、3*3深度卷积层、第二权重矩阵处理，并与另一通道输出的输入特征融合；
[0030]在融合模块中采用可分离卷积对特征图提取特征以进行多分辨率融合；
[0031]识别模块，用于获取目标图像，采用所述目标模型对所述目标图像进行处理，获得带有缺陷标记的目标结果。
[0032]本专利技术还提供一种计算机设备，所述计算机设备包括：
[0033]存储器，用于存储可执行程序代码；以及
[0034]处理器，用于调用所述存储器中的所述可执行程序代码，执行所述的检测方法。
[0035]本专利技术还包括一种计算机可读存储介质，其上存储有计算机程序，
[0036]所述计算机程序被处理器执行时实现所述检测方法的步骤。
[0037]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0038]本专利技术入在HRNet网络的基础上，融合双通道处理，使得训练后的目标模型趋于轻
量化，同时在双通道处理操作中采用权重矩阵代替1*1卷积，提高检测模型的计算能力，保持高分辨率的表现的同时增加精确度，以克服现图像识别零件表面缺陷由于压缩失去小区域特征导致检测结果准确度较低的问题。
附图说明
[0039]图1为本专利技术所述一种零件表面缺陷检测方法实施例一的流程图；
[0040]图2为本专利技术所述一种零件表面缺陷检测方法实施例一中用于体现在并联后的特征图基础上，添加不同分辨率的特征图之间的交互的流程图；
[0041]图3为本专利技术所述一种零件表面缺陷检测方法实施例一中展示目标模型中各层输出维度的示意图；
[0042]图4为本专利技术所述一种零件表面缺陷检测装置实施例二的模块示意图；
[0043]图5为本专利技术所述设备实施例的模块示意图。
[0044]附图标记：
[0045]6‑
零件表面缺陷检测装置；61
‑
训练模块；62
‑
处理模块；63
‑
识别模块；7
‑
计算机设备；71
‑
存储器；72
‑
处理器。
具体实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种零件表面缺陷检测方法，其特征在于，包括以下：基于高分辨率网络建立初始模型，采用训练数据对所述初始模型进行训练，获得目标模型，其中，所述训练数据包括带有缺陷标记的零件表面图；在所述目标模型中，进行四次采样处理，经过卷积模块、处理模块和融合模块的处理，将不同分辨率的特征图进行并联，在并联后的特征图基础上，添加不同分辨率的特征图之间的交互；在卷积模块和处理模块中采用双通道处理对特征图上每个像素点，在通道维度上进行信息交换；其中，所述双通道处理包括一通道对输入特征依次采用第一权重矩阵、3*3深度卷积层、第二权重矩阵处理，并与另一通道输出的输入特征融合；在融合模块中采用可分离卷积对特征图提取特征以进行多分辨率融合；获取目标图像，采用所述目标模型对所述目标图像进行处理，获得带有缺陷标记的目标结果。2.根据权利要求1所述的检测方法，其特征在于：所述第一权重矩阵对所述输入特征进行交叉分辨率权重计算获得；所述第二权重矩阵对所述输入特征进行空间权重计算获得。3.根据权利要求1所述的检测方法，其特征在于，所述在并联后的特征图基础上，添加不同分辨率的特征图之间的交互，包括：对不同分辨率的特征图进行复制，并采用双线性采样和单层卷积进行通道数统一；采用3*3卷积对通道数统一后的特征图进行分辨率降低；对各个降低分辨率的特征图进行相加融合，以添加不同分辨率的特征图之间的交互。4.根据权利要求1所述的检测方法，其特征在于：在PaddleSeg框架下调用GPU资源运行对所述初始模型进行训练，获得目标模型。5.根据权利要求1所述的检测方法，其特征在于，所述采用训练数据对所述初始模型进行训练前，包括：采集无损压缩格式的零件表面图，并对各个零件表面图采用辅助标记工具进行标记，生成带有缺陷标记的零件表面图作为训练数据。6.根...

【专利技术属性】
技术研发人员：艾如飞，李才博，吴斌，王迅，
申请(专利权)人：昭通亮风台信息科技有限公司，
类型：发明
国别省市：