【技术实现步骤摘要】
一种基于机器视觉的产品可视缺陷检测方法及系统
[0001]本专利技术涉及图像处理
，具体涉及一种基于机器视觉的产品可视缺陷检测方法及系统。
技术介绍
[0002]工业产品表面的可视缺陷会对产品的美观度、舒适度和使用性能等带来不良影响，所以生产企业会对产品表面的可视缺陷进行检测以便及时发现并加以控制。
[0003]目前产品可视缺陷的检测方法分为三种：第一种是人工检测法，这种方法不仅成本高，而且在对微小缺陷进行判别时，难以达到所需要的精度和速度，而且人工检测法还存在劳动强度大、检测标准一致性差等缺点；第二种是机械装置接触检测法，这种方法虽然在质量上能满足生产的需要，但存在机械装置检测设备价格高、灵活性差、速度慢等缺点；第三种是机器视觉检测法，即利用图像处理和分析技术对产品可能存在的缺陷进行自动检测，这种方法采用非接触的工作方式，安装灵活，而且测量精度和速度都比较高，是实现设备自动化、智能化和精密控制的有效手段，具有安全可靠、光谱响应范围宽、可在恶劣环境下长时间工作和生产效率高等突出优点。同一台机器视觉检测设备可以实...
【技术保护点】
【技术特征摘要】
1.一种基于机器视觉的产品可视缺陷检测方法，其特征在于，包括以下步骤：获取产品表面图像；将所述产品表面图像输入至特征提取网络模型获得产品特征；输入所述产品特征至缺陷检测网络模型进行缺陷检测并输出缺陷检测结果；其中，所述缺陷检测网络模型通过如下步骤获得：记录产品表面图像上的缺陷信息，根据所述缺陷信息构建产品缺陷检测数据集，所述产品缺陷检测数据集包括训练集和验证集；利用所述产品缺陷检测数据集训练和验证深度学习模型，得到所述缺陷检测网络模型。2.如权利要求1所述的一种基于机器视觉的产品可视缺陷检测方法，其特征在于，将产品表面图像输入至特征提取网络模型获得产品特征具体包括：将所述产品表面图像输入至所述特征提取网络模型获取特征图，所述特征图为至少一个产品特征的集合，所述特征提取网络模型包括残差网络模型和瓶颈层。3.如权利要求2所述的一种基于机器视觉的产品可视缺陷检测方法，其特征在于，将所述产品表面图像输入至所述表面特征提取网络模型获取特征图具体包括：在特征提取网络模型中建立Focus模块，将所述产品表面图像输入Focus模块，进行切片操作；将切片操作后得到的图片在特征提取网络模型中经过卷积操作，得到二倍下采样特征图。4.如权利要求1所述的一种基于机器视觉的产品可视缺陷检测方法，其特征在于，根据所述缺陷信息构建产品缺陷检测数据集的步骤包括：针对所述产品表面图像是否含有缺陷进行标记；将所标记的含有缺陷目标的图片分类，记录所有缺陷目标的真实边框位置、类别信息；针对不同类别的缺陷，构建不同的产品缺陷检测数据集，最后按照一定比例将所述产品缺陷检测数据集划分为训练集和验证集。5.如权利要求3所述的一种基于机器视觉的产品可视缺陷检测方法，其特征在于，利用所述产品缺陷检测数据集训练和验证深度学习模型的步骤包括：(1)构建算法网络模型，包括：构建主干特征提取网络，并将该主干网络预先在公开的ImageNet图像数据集上进行分类任务预训练，保存预训练网络模型和模型权重文件；(2)构建跨阶段部分网络；(3)构建特征聚合网络，在特征聚合网络的每一个卷积层后，添加交叉小批量归一化，激活函数Mish，组成卷积模块；(4)使用所述产品缺陷检测数据集的训练集对所构建的算法网络模型进行训练。6.如权利要求5所述的一种基于机器视觉的产品可视缺陷检测方法，其特征在于，所述跨阶段部分网络包括：将所述主干特征提取网络得到的特征图拆成两个部分，分别记为主干部分和分支部分，主干部分经过若干个卷积层后送入SPP模块，将所得到的特征图层进行拼接操作，再经过若干个卷积层后，主干部分卷积操作的结果与分支部分进行连接。7.如权利要求5所述的一种基于机器视觉的产品可视缺陷检测方法，其特征在于，在使用所述产品缺陷检测数据集的训练集对所构建的算法网络模型进行训练的步骤中，加入损失函数，所述损失函数包括回归损失函数、类别损失函数、置信度损失函数；其
中，对缺陷位置回归损失函数使用GIOU损失，对缺陷类别损失函数和置信度损失函数使用二值交叉熵损失函数；计算出总的损失值后进行误差反向传播，使用交叉小批量归一化和激活函数Mish，并保存所有训练中验证集中平均精...
【专利技术属性】
技术研发人员：沈锋，郭中原，胡扬俊，俞强玮，费杰，刘盈智，刘立鹏，韩双来，
申请(专利权)人：聚光科技杭州股份有限公司，
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。