一种瓷砖表面质量检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及一种瓷砖表面质量检测方法、装置、电子设备及存储介质。本发明专利技术所述的瓷砖表面质量检测方法包括：获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；同时根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。本发明专利技术所述的瓷砖表面质量检测方法，运用基于图像处理技术和深度学习技术的瓷砖表面质量视觉检测方法，自动化地实现瓷砖表面质量检测。表面质量检测。表面质量检测。

【技术实现步骤摘要】
一种瓷砖表面质量检测方法、装置、电子设备及存储介质


[0001]本专利技术涉及计算机视觉
，特别是涉及一种瓷砖表面质量检测方法、装置、电子设备及存储介质。

技术介绍

[0002]目前瓷砖生产已基本实现自动化，但是瓷砖表面质量检测仍由人工完成，瓷砖生产尚未实现完全自动化。随着瓷砖生产厂家的竞争愈发激烈，瓷砖厂家需要新的发力点来提高竞争力，开始向高端(大幅面、纹理精美)瓷砖发展。生产高端瓷砖需要的工艺更加复杂，生产瓷砖过程中更易出现缺陷、色差，所以需要更多的检测人员更长时间进行检测。人工检测存在诸多弊端，一方面因受到人的主观因素影响，人工检测无法做到高精度、高效率及稳定的检测要求；另一方面，长时间的检测会对检测人员造成伤害。随着瓷砖生产的个个环节的自动化程度不断提高，人工表面质量检测成为瓷砖生产过程中的瓶颈。
[0003]当前自动化检测主要分为接触式检测和非接触式检测，非接触式检测可以在不影响质检产品的情况下高效地检测，成为了当前自动化检测的主流方法。随着计算机图像处理技术的发展，基于计算机视觉的自动化检测方法开始运用在瓷砖表面质量检测应用场景上。瓷砖表面质量检测主要包括缺陷检测和色差检测。随着计算机视觉发展，使用深度学习检测成为缺陷检测的主流，例如使用二阶段模型Faster R
‑
CNN、Cascade R
‑
CNN和单阶段模型SSD、RetinaNet等，检测瓷砖表面缺陷比传统视觉方法性能更佳，但是没有针对瓷砖缺陷的数据特点进行优化，大小目标混合检测时小目标缺陷的检测效率低。当前使用计算机视觉的方法检测色差仍是主流。使用传统图像处理方法例如颜色距、颜色直方图等，能够检测出单色、纹理简单瓷砖的表面色差，但是难以面对颜色丰富、纹理复杂的瓷砖色差检测，检测色差的准确度不够。

技术实现思路

[0004]基于此，本专利技术的目的在于，提供一种瓷砖表面质量检测方法、装置、电子设备及存储介质，运用基于图像处理技术和深度学习技术的瓷砖表面质量视觉检测方法，自动化实现瓷砖表面质量检测，替换人工检测，一方面提高彩色瓷砖的检测效率，提高不合格产品的检出率，保证产品质量的稳定性和一致性；另一方面有利于节省劳动力，减轻工人劳动强度，降低劳动力成本，提高生产效益。
[0005]第一方面，本专利技术提供一种瓷砖表面质量检测方法，包括以下步骤：
[0006]获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；
[0007]对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；
[0008]对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；
[0009]根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。
[0010]进一步地，对所述瓷砖图像进行预处理，得到瓷砖前景图像，包括以下步骤：
[0011]采用中值滤波消除所述瓷砖图像中的噪声；
[0012]对图像进行切割得到瓷砖前景图像。
[0013]进一步地，对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果，包括以下步骤：
[0014]使用滑动窗口将瓷砖前景图像切片，得到切片图集；
[0015]使用训练好的改进YOLOv5模型对所述切片图集进行缺陷检测，得到所述瓷砖前景图像对应的缺陷检测结果；
[0016]对所述缺陷检测结果进行统计编码，并保存编码结果。
[0017]进一步地，所述改进YOLOv5模型包括Backbone模块、Neck模块和Head模块；
[0018]所述Backbone模块包括CBS模块、C3模块、SPPF模块，负责提取图像特征；
[0019]所述Neck模块包括FPN结构和PAN结构，用于不同采样率特征融合；所述FPN结构中加入了基于注意力机制的AFM模块，用于控制深度特征参与浅层学习的程度；
[0020]所述Head模块为1x1的卷积，用于在Neck模块的输出特征后预测目标信息，同时预测目标的目标边界框、定位置信度和类别信息。
[0021]进一步地，所述改进YOLOv5模型使用分组的anchor计算方法。
[0022]进一步地，对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，包括以下步骤：
[0023]基于颜色直方图，获取图像的全局颜色特征；
[0024]基于小波变换，获取图像的局部颜色纹理特征；
[0025]将所述全局颜色特征和所述局部颜色纹理特征进行归一化和拼接，得到融合颜色和纹理特征。
[0026]进一步地，使用以下公式，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果：
[0027][0028]其中，A
′
p
是待检测瓷砖图像的融合颜色和纹理特征，A
′
t
是瓷砖标准版图像的融合颜色和纹理特征，d(A
p
′
,
t
′
)为待检测瓷砖图像的融合颜色和纹理特征和瓷砖标准版图像的融合颜色和纹理特征的欧氏距离，α是色差阈值，H为判断色差结果，0表示没有色差，1表示有色差。
[0029]第二方面，本专利技术还提供一种瓷砖表面质量检测装置，包括：
[0030]瓷砖图像获取模块，用于获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；
[0031]缺陷检测模块，用于对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；
[0032]色差判断模块，用于对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；
[0033]等级划分模块，用于根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。
[0034]第三方面，本专利技术还提供一种电子设备，包括：
[0035]至少一个存储器以及至少一个处理器；
[0036]所述存储器，用于存储一个或多个程序；
[0037]当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本专利技术第一方面任一项所述的一种瓷砖表面质量检测方法的步骤。
[0038]第四方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本专利技术第一方面任一项所述的一种瓷砖表面质量检测方法的步骤。
[0039]本专利技术提供的一种瓷砖表面质量检测方法、装置、电子设备及存储介质，运用基于图像处理技术和深度学习技术的瓷砖表面质量视觉检测方法，自动化实现瓷砖表面质量检测，替换人工检测，一方面提高彩色瓷砖的检测效率，提高不合格产品的检出率，保证产品质量的稳定性和一致性；另一方面有利于节省劳动力，减轻工人劳动强度，降低劳动力成本，提高生产效益。相比与其他瓷砖表面质量检测方法的优势在于：(1)考虑了瓷砖缺陷尺度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种瓷砖表面质量检测方法，其特征在于，包括以下步骤：获取待检测的瓷砖表面图像，并对所述瓷砖图像进行预处理，得到瓷砖前景图像；对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果；对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，通过比对特征差值，得到所述瓷砖前景图像的色差判断结果；根据所述缺陷检测结果和所述色差判断结果，按照预设的等级划分逻辑，得到所述瓷砖表面图像对应的等级。2.根据权利要求1所述的一种瓷砖表面质量检测方法，其特征在于，对所述瓷砖前景图像进行缺陷检测，得到对应的缺陷检测结果，包括以下步骤：使用滑动窗口将瓷砖前景图像切片，得到切片图集；使用训练好的改进YOLOv5模型对所述切片图集进行缺陷检测，得到所述瓷砖前景图像对应的缺陷检测结果；对所述缺陷检测结果进行统计编码，并保存编码结果。3.根据权利要求2所述的一种瓷砖表面质量检测方法，其特征在于：所述改进YOLOv5模型包括Backbone模块、Neck模块和Head模块；所述Backbone模块包括CBS模块、C3模块、SPPF模块，负责提取图像特征；所述Neck模块包括FPN结构和PAN结构，用于不同采样率特征融合；所述FPN结构中加入了基于注意力机制的AFM模块，用于控制深度特征参与浅层学习的程度；所述Head模块为1x1的卷积，用于在Neck模块的输出特征后预测目标信息，同时预测目标的目标边界框、定位置信度和类别信息。4.根据权利要求3所述的一种瓷砖表面质量检测方法，其特征在于：所述改进YOLOv5模型使用分组的anchor计算方法。5.根据权利要求1所述的一种瓷砖表面质量检测方法，其特征在于，对所述瓷砖前景图像和瓷砖标准版图像进行特征提取，包括以下步骤：基于颜色直方图，获取图像的全局颜色特征；基于小波变换，获取图像的局部颜色纹理特征；将所述全局颜色特征和所述局部颜色纹理特征进行归一化和拼接，得到融合颜色和纹理特征。6.根据权利要求5所述的一种瓷砖表面质量...

【专利技术属性】
技术研发人员：余松森，张炽成，马云峰，杨欢，封珍，柯善军，张缇，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：