工业瑕疵的检测方法及装置、存储介质、电子设备制造方法及图纸

本公开属于图像处理技术领域，涉及一种工业瑕疵的检测方法及装置、存储介质、电子设备。该方法包括：获取瑕疵检测图像，并将瑕疵检测图像输入至预先训练好的瑕疵检测模型，以使预先训练好的瑕疵检测模型输出掩码图像；对掩码图像进行瑕疵轮廓检测得到瑕疵轮廓，并对瑕疵轮廓进行关键度计算得到瑕疵关键度；根据瑕疵关键度将瑕疵轮廓标注在瑕疵检测图像中得到瑕疵标注图像。本公开无需采集瑕疵数据作为训练集，也无需对训练集进行标注，适用于各种工业瑕疵检测，在掩码图像中有效加入了频域信息，利用瑕疵的边缘信息在频域上的敏感性提高了瑕疵检测的准确性，能够对非关键瑕疵进行过滤，统一了瑕疵筛选和判定的标准，使得检测结果更加合理和精确。果更加合理和精确。果更加合理和精确。

【技术实现步骤摘要】
工业瑕疵的检测方法及装置、存储介质、电子设备


[0001]本公开涉及图像处理
，尤其涉及一种工业瑕疵的检测方法与工业瑕疵的检测装置、计算机可读存储介质及电子设备。

技术介绍

[0002]在工业自动化生产中，不可避免的会造成产品外观瑕疵。常见的瑕疵种类包括划痕、脏污、坑点、掉漆等。因此，工业产品质量检测成为整个制造环节的关键步骤。由于瑕疵种类多且形态各异，目前很多制造工厂仍采用人工目检的方式。这种方式存在诸多问题，如误检漏检率高、评测标准不统一、人力成本逐年升高等。
[0003]现有的基于深度学习的工业瑕疵检测多采用有监督方式，首先要采集大量瑕疵图像，然后人工标注瑕疵位置或区域，以及瑕疵类型，以构造训练集，接下来构建卷积神经网络，将瑕疵图像和标注信息送入网络中训练。在应用时，一旦检测到有瑕疵，则报警将所有检测到结果输出交由人工判断。这种工业瑕疵检测方式存在的主要问题是工业瑕疵图像采集难度大，难以在短时间内采集到数万甚至数十万张种类丰富的瑕疵数据，并且，人工标注如此庞大的数据量，在耗时长短和标注准确度方面都难以保障。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业瑕疵的检测方法，其特征在于，所述方法包括：获取瑕疵检测图像，并将所述瑕疵检测图像输入至预先训练好的瑕疵检测模型，以使所述预先训练好的瑕疵检测模型输出掩码图像；对所述掩码图像进行瑕疵轮廓检测得到瑕疵轮廓，并对所述瑕疵轮廓进行关键度计算得到瑕疵关键度；根据所述瑕疵关键度将所述瑕疵轮廓标注在所述瑕疵检测图像中得到瑕疵标注图像。2.根据权利要求1所述的工业瑕疵的检测方法，其特征在于，在所述将所述瑕疵检测图像输入至预先训练好的瑕疵检测模型，以使所述预先训练好的瑕疵检测模型输出掩码图像之前，所述方法还包括：获取无瑕疵图像，并对所述无瑕疵图像进行空间特征提取得到空间信息特征；对所述无瑕疵图像进行空间变换处理得到频域信息特征，并对所述空间信息特征和所述频域信息特征进行特征连接处理得到第一重建图像；对所述无瑕疵图像、所述空间信息特征、所述频域信息特征和所述第一重建图像进行损失函数计算得到目标损失函数，并利用所述目标损失函数对待训练瑕疵检测模型进行训练得到预先训练好的瑕疵检测模型。3.根据权利要求2所述的工业瑕疵的检测方法，其特征在于，所述对所述无瑕疵图像进行空间变换处理得到频域信息特征，包括：对所述无瑕疵图像进行变换处理得到初始频域特征，并对所述初始频域特征进行特征提取处理得到采样特征；对所述采样特征进行数值修正处理得到修正特征，并对所述修正特征进行逆变换处理得到频域信息特征。4.根据权利要求2所述的工业瑕疵的检测方法，其特征在于，所述对所述无瑕疵图像、所述空间信息特征、所述频域信息特征和所述第一重建图像进行损失函数计算得到目标损失函数，包括：对所述无瑕疵图像和所述空间信息特征进行损失函数计算得到第一损失函数，并对所述频域信息特征和所述无瑕疵图像进行损失函数计算得到第二损失函数；对所述第一重建图像和所述无瑕疵图像进行损失函数计算得到第三损失函数，并对所述第一损失函数、所述第二损失函数和所述第三损失函数进行损失加权计算得到目标损失函数。5.根据权利要求1所述的工业瑕疵的检测方法，其特征在于，所述将所述瑕疵检测图像输入至预先训练好的瑕疵检测模...

【专利技术属性】
技术研发人员：张玉梅，郭耀光，陈晓珍，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：