一种图像处理方法、装置、介质、设备及系统制造方法及图纸

本申请公开了图像处理方法、装置、介质、设备及系统，该方法包括：获取包含语义分割对象的多个原始图像，并对多个原始图像进行多通道图像变换，得到变维图像；通过训练好的神经网络模型，获得变维图像中的缺陷位置信息；基于变维图像中的缺陷位置信息，获得变维图像的缺陷特征，根据缺陷特征，确定语义分割对象的缺陷类型。本申请对多个原始图像进行多通道变换，获得一个变维图像，使用训练好的神经网络模型获取变维图像中的缺陷特征，基于缺陷特征确定缺陷类型，由于多个原始图像能够更准确更丰富的表征缺陷信息，多通道变换后的变维图像增强了缺陷信息，进而神经网络模型输出的缺陷特征准确，确定的缺陷类型也更加准确，提高了缺陷检测准确率。缺陷检测准确率。缺陷检测准确率。

【技术实现步骤摘要】
一种图像处理方法、装置、介质、设备及系统


[0001]本申请涉及图像处理
，特别涉及一种图像处理方法、装置、介质、设备及系统。

技术介绍

[0002]随着科技的发展，图像处理技术在很多工业场景得到了广泛应用，尤其是产品缺陷检测。采用图像处理技术计算出产品缺陷的位置和大小，进一步获取缺陷的纹理特征，并结合缺陷的尺寸以及纹理特征对缺陷进行分类和等级划分。
[0003]目前，现有的图像处理技术通过对原始拍摄图像进行滤波的方式来减少噪声干扰，但是某些图像的干扰比较复杂，对图像滤波并不能很好的降低干扰因素对缺陷识别的影响，缺陷检测准确率有待提高。

技术实现思路

[0004]有鉴于此，本申请提供了一种图像处理方法、装置、介质、设备及系统，主要目的在于解决现有图像处理方法对干扰比较复杂的图像的缺陷检测准确率较低的问题。
[0005]根据本申请的一个方面，提供了一种图像处理方法，该方法包括：获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；通过训练好的神经网络模型，获得所述变维图像中的缺陷位置信息；基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，根据所述缺陷特征，确定所述语义分割对象的缺陷类型。
[0006]可选地，所述基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
[0007]可选地，所述基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，包括：基于所述缺陷位置信息和预设的缺陷特征计算算子，获得所述变维图像的缺陷特征。
[0008]可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：根据缺陷类型的判断条件，将所述缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型；
当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷。
[0009]可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型，包括：根据所述目标缺陷的关键特征和预设缺陷类型分类表，确定所述目标缺陷归属的缺陷类型。
[0010]可选地，所述当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷之后，所述图像处理方法还包括：根据所述目标缺陷的关键特征，确定所述目标缺陷对应的缺陷分级。
[0011]可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型之后，所述图像处理方法还包括：当所述目标缺陷的约束特征不满足所述缺陷类型的约束条件时，所述目标缺陷为非缺陷。
[0012]可选地，所述目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。
[0013]可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：将所述缺陷特征与预设缺陷特征分类表进行比较；根据比较结果，确定所述语义分割对象的缺陷类型和缺陷分级。
[0014]可选地，所述确定所述语义分割对象的缺陷类型和缺陷分级之后，所述图像处理方法还包括：根据所述语义分割对象的缺陷类型、缺陷分级和预设要求，筛选目标检测对象。
[0015]可选地，所述训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，所述卷积层包括多个下采样层和多个上采样层，每两个下采样层之间和每两个上采样层之间均加入注意机制层。
[0016]可选地，所述图像处理方法进一步包括：获得每个原始图像对应的多个子图；对每个子图进行置信度求取，获取每个子图的置信度子图；按预设排布规则，对每个原始图像对应的多个置信度子图进行合并，生成每个原始图像对应的置信度合并图；将每个原始图像对应的置信度合并图作为一个通道的输入图像，基于每个原始图像对应的置信度合并图进行多通道图像变换，获得缺陷分割图。
[0017]可选地，所述对每个子图进行置信度求取，获取每个子图的置信度子图，包括：采用softmax激活函数对每个子图进行置信度求取，获取每个子图的置信度子图。
[0018]根据本申请的另一个方面，提供了一种图像处理方法装置，包括：合并图获取模块，用于获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；变维图像获取模块，用于将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
缺陷位置信息获取模块，用于通过训练好的神经网络模型，获得所述变维图像中的缺陷位置信息；缺陷类型确定模块，用于基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，根据所述缺陷特征，确定所述语义分割对象的缺陷类型。
[0019]可选地，所述基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
[0020]可选地，所述基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，包括：基于所述缺陷位置信息和预设的缺陷特征计算算子，获得所述变维图像的缺陷特征。
[0021]可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：根据缺陷类型的判断条件，将所述缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型；当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷。
[0022]可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型，包括：根据所述目标缺陷的关键特征和预设缺陷类型分类表，确定所述目标缺陷归属的缺陷类型。
[0023]可选地，所述当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷之后，所述图像处理方法还包括：根据所述目标缺陷的关键特征，确定所述目标缺陷对应的缺陷分级。
[0024]可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型之后，所述图像处理方法还包括：当所述目标缺陷的约束特征不满足所述缺陷类型的约束条件时，所述目标缺陷为非缺陷。
[0025]可选地，所述目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。
[0026]可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：将所述缺陷特征与预设缺陷特征分类表进行比较；根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；通过训练好的神经网络模型，获得所述变维图像中的缺陷位置信息；基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，根据所述缺陷特征，确定所述语义分割对象的缺陷类型。2.权利要求1所述的图像处理方法，其特征在于，所述基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。3.权利要求1所述的图像处理方法，其特征在于，所述基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，包括：基于所述缺陷位置信息和预设的缺陷特征计算算子，获得所述变维图像的缺陷特征。4.权利要求1所述的图像处理方法，其特征在于，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：根据缺陷类型的判断条件，将所述缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型；当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷。5.权利要求4所述的图像处理方法，其特征在于，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型，包括：根据所述目标缺陷的关键特征和预设缺陷类型分类表，确定所述目标缺陷归属的缺陷类型。6.权利要求4所述的图像处理方法，其特征在于，所述当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷之后，所述图像处理方法还包括：根据所述目标缺陷的关键特征，确定所述目标缺陷对应的缺陷分级。7.权利要求4所述的图像处理方法，其特征在于，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型之后，所述图像处理方法还包括：当所述目标缺陷的约束特征不满足所述缺陷类型的约束条件时，所述目标缺陷为非缺陷。8.权利要求5
‑
7中任一项所述的图像处理方法，其特征在于，所述目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。9.权利要求1所述的图像处理方法，其特征在于，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
将所述缺陷特征与预设缺陷特征分类表进行比较；根据比较结果，确定所述语义分割对象的缺陷类型和缺陷分级。10.权利要求9所述的图像处理方法，其特征在于，所述确定所述语义分割对象的缺陷类型和缺陷分级之后，所述图像处理方法还包括：根据所述语义分割对象的缺陷类型、缺陷分级和预设要求，筛选目标检测对象。11.如权利要求1所述的图像处理方法，其特征在于，所述训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，所述卷积层包括多个下采样层和多个上采样层，每两个下采...

【专利技术属性】
技术研发人员：王南南，万茂佳，张武杰，
申请(专利权)人：中科慧远智能装备广东有限公司中科慧远视觉技术洛阳有限公司，
类型：发明
国别省市：