一种基于无监督学习的彩涂板表面缺陷检测方法和装置制造方法及图纸

本申请适用于彩涂板检测技术领域，提供了一种基于无监督学习的彩涂板表面缺陷检测方法和装置。该方法包括：通过线阵相机采集彩涂板的待识别图像；从所述待识别图像中提取有效区域，通过彩涂板花纹图案分类模型识别所述有效区域的彩涂板花纹类型；根据所述彩涂板花纹类型和所述有效区域，利用缺陷检测模型进行彩涂板缺陷检测，输出缺陷区域坐标；基于所述缺陷区域坐标从所述待识别图像中提取缺陷区域，将所述缺陷区域输入缺陷类型分类分级模型，得到彩涂板的缺陷类型和级别。本申请相较于传统基于图像特征如边缘提取等方法，具有较强的抗干扰能力和较高的缺陷检出率。干扰能力和较高的缺陷检出率。干扰能力和较高的缺陷检出率。

【技术实现步骤摘要】
一种基于无监督学习的彩涂板表面缺陷检测方法和装置


[0001]本申请属于彩涂板检测
，尤其涉及一种基于无监督学习的彩涂板表面缺陷检测方法和装置。

技术介绍

[0002]随着社会的发展，彩涂板的需求总量越来越高，彩涂板的质量要求也越来越高。随着汽车、家电等消费产业的发展，不断提高的彩涂板表面质量要求使得彩涂板表面质量问题日渐突出。因此，无论是彩涂板生产企业，还是彩涂板用户，对彩涂板的表面质量检测都极为重视。
[0003]近年来，通过机器视觉和人工智能方法进行带钢的表面缺陷检测成为工业质检领域研究重点和发展趋势之一。然而，将上述方法应用于对彩涂板表面缺陷进行检测时主要存在以下两个挑战：
[0004](1)如何降低彩涂板花纹图案、颜色对缺陷检测的影响，提升检测精度。传统基于图像特征的缺陷检测方法，在遇到彩涂花纹图案、深浅不一的颜色时，由于花纹图案等对边缘信息产生强干扰，导致传统方法在彩涂板缺陷检测时效果很差，无法精准的检测出表面缺陷。
[0005](2)如何提升彩涂板缺陷检测的速度，达到彩涂产线缺陷实时检测。由于彩涂板表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的彩涂板表面缺陷检测方法，其特征在于，包括：通过线阵相机采集彩涂板的待识别图像；从所述待识别图像中提取有效区域，通过彩涂板花纹图案分类模型识别所述有效区域的彩涂板花纹类型；根据所述彩涂板花纹类型和所述有效区域，利用缺陷检测模型进行彩涂板缺陷检测，输出缺陷区域坐标；基于所述缺陷区域坐标从所述待识别图像中提取缺陷区域，将所述缺陷区域输入缺陷类型分类分级模型，得到彩涂板的缺陷类型和级别。2.如权利要求1所述的基于无监督学习的彩涂板表面缺陷检测方法，其特征在于，所述从所述待识别图像中提取有效区域，包括：从所述待识别图像的图像矩阵中选择多个行向量和多个列向量；计算所述多个行向量的行均值向量，以及所述多个列向量的列均值向量；根据有效区域阈值、所述行均值向量和所述列均值向量，确定有效区域的坐标。3.如权利要求2所述的基于无监督学习的彩涂板表面缺陷检测方法，其特征在于，所述通过彩涂板花纹图案分类模型识别所述有效区域的彩涂板花纹类型，包括：按照所述有效区域的坐标从所述图像矩阵中提取得到有效区域矩阵；将所述有效区域矩阵转换为维度大小为(c,w,h)的预测矩阵，c、w、h分别为矩阵通道数、宽和高；将所述预测矩阵输入彩涂板花纹图案分类模型中，输出所述有效区域的彩涂板花纹类型。4.如权利要求3所述的基于无监督学习的彩涂板表面缺陷检测方法，其特征在于，所述根据所述彩涂板花纹类型和所述有效区域，利用缺陷检测模型进行彩涂板缺陷检测，输出缺陷区域坐标，包括：对所述有效区域矩阵进行切片处理，生成N
i
个维度为(c,w,h)的切片矩阵；将N
i
个切片矩阵进行堆叠和维度转换，生成矩阵P，并计算矩阵P的嵌入特征向量P
n
；基于马氏距离和高斯多元分布计算得到距离分布矩阵M(m
ij
)，m
ij
为所述嵌入特征向量P
n
的每个位置的特征值，所述高斯多元分布基于无缺陷的图像样本和所述缺陷检测模型得到；对所述距离分布矩阵M(m
ij
)进行卷积下采样，生成卷积矩阵M
conv2d
；基于异常阈值对所述卷积矩阵M
conv2d
进行二值化处理，得到二值化特征矩阵M
mask
；对所述二值化特征矩阵M
mask
求全连通，得到缺陷坐标集合d
loc
；将所述缺陷坐标集合d
loc
中的坐标还原到所述图像矩阵的大小，得到缺陷区域坐标集合D
loc
。5.如权利要求4所述的基于无监督学习的彩涂板表面缺陷检测方法，其特征在于，所述高斯多元分布基于无缺陷的图像样本和所述缺陷检测模型得到，包括：将无缺陷的图像样本...

【专利技术属性】
技术研发人员：郝亮，来博文，李玉涛，雷斌，董森，潘志威，王钊哲，高东旭，刘培培，
申请(专利权)人：青岛河钢新材料科技股份有限公司，
类型：发明
国别省市：