基于弱监督学习的焊接缺陷检测方法、设备和存储介质技术

本发明专利技术提供基于弱监督学习的焊接缺陷检测方法、设备和存储介质，其中，方法包括：获取焊缝图像，根据所述焊缝图像得到焊缝缺陷标记位置图像；对所述焊缝缺陷标记位置图像应用自适应阈值分割方法，得到焊缝缺陷图像和分割位置；对所述焊缝缺陷图像进行滤波处理，得到准确焊缝缺陷掩膜图像；根据所述分割位置和所述准确焊缝缺陷掩膜图像，得到焊接缺陷检测结果。本发明专利技术能够实现弱监督分割，自动进行焊缝缺陷检测，使用弱监督模型进行缺陷自动检测可以使用有限的标注和未标注图像进行训练，同时也可以提高实现难度较大的应用场景的实现效果。保证准确性的同时提高效率，降低对标注者的素质和体力的要求。的素质和体力的要求。的素质和体力的要求。

【技术实现步骤摘要】
基于弱监督学习的焊接缺陷检测方法、设备和存储介质


[0001]本专利技术涉及计算机视觉
，尤其涉及基于弱监督学习的焊接缺陷检测方法、设备和存储介质。

技术介绍

[0002]随着计算机视觉的发展，自动缺陷检测也逐渐发展，产品表面缺陷的检测采用计算机视觉来模拟人类视觉的功能，图像采集处理，计算以及最终对特定对象的实际检测，控制和应用。自动缺陷检测通常是指检测物品表面的缺陷，例如斑点，凹痕，划痕，色差，缺损，刮伤，少料多料等缺陷的检测。
[0003]现在实现自动缺陷检测所用网络大都是有监督网络，这种网络需要大量的精细化标注的数据集进行训练，以便对检测图像进行预测，但实际生产过程中产生的缺陷可能无法满足有监督分割网络训练所需的数据集，且分割所需的像素级标注对标注者的素质和体力有更高的要求，因此，一些基于无监督分割的网络被提出。然而，虽然无监督分割可以在没有标注的情况下进行训练和预测，但无监督分割的准确率明显低于有监督分割，这极大地影响了无监督分割在工程中的应用。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供基于弱监督学习的焊接缺陷检测方法、设备和存储介质。
[0005]基于弱监督学习的焊接缺陷检测方法，包括如下步骤：
[0006]获取焊缝图像，根据所述焊缝图像得到焊缝缺陷标记位置图像；
[0007]对所述焊缝缺陷标记位置图像应用自适应阈值分割方法，得到焊缝缺陷图像和分割位置；
[0008]对所述焊缝缺陷图像进行滤波处理，得到准确焊缝缺陷掩膜图像；
[0009]根据所述分割位置和所述准确焊缝缺陷掩膜图像，得到焊接缺陷检测结果。
[0010]在其中一个实施例中，根据所述焊缝图像得到焊缝缺陷标记位置图像包括：
[0011]将所述缺陷位置图像输入到数据训练模型，得到焊缝缺陷标记位置图像。
[0012]在其中一个实施例中，通过对所述缺陷位置图像进行缺陷识别，得到焊缝缺陷标记位置图像，还包括：
[0013]根据所述焊缝缺陷标记位置图像将所述缺陷进行分类，得到焊缝缺陷类别名称。
[0014]在其中一个实施例中，对所述焊缝缺陷图像进行滤波处理，得到准确焊缝缺陷掩膜图像包括：
[0015]对所述焊缝缺陷图像进行中值滤波，得到第一焊缝缺陷图像；
[0016]对所述第一焊缝缺陷图像进行双边滤波，得到准确焊缝缺陷图像；
[0017]根据所述准确焊缝缺陷图像，得到准确焊缝缺陷掩膜图像。
[0018]在其中一个实施例中，基于弱监督学习的焊接缺陷检测方法，还包括：数据训练模
型为基于Cascade RCNN模型的数据训练模型。
[0019]在其中一个实施例中，基于弱监督学习的焊接缺陷检测方法，还包括：
[0020]根据所述焊缝缺陷类别名称对所述准确焊缝缺陷掩膜图像进行标记。
[0021]一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的基于弱监督学习的焊接缺陷检测方法的步骤。
[0022]一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的基于弱监督学习的焊接缺陷检测方法的步骤。
[0023]相比于现有技术，本专利技术的优点及有益效果在于：本专利技术能够实现弱监督分割，自动进行焊缝缺陷检测，使用弱监督模型进行缺陷自动检测可以使用有限的标注和未标注图像进行训练，同时也可以提高实现难度较大的应用场景的实现效果。保证准确性的同时提高效率，降低对标注者的素质和体力的要求。
附图说明
[0024]图1为一个实施例中基于弱监督学习的焊接缺陷检测方法的应用示意图；
[0025]图2为一个实施例中基于弱监督学习的焊接缺陷检测方法的流程示意图；
[0026]图3为一个实施例中焊缝缺陷标记位置图像示意图；
[0027]图4为一个实施例中缺陷分类名称标记示意图；
[0028]图5为一个实施例中焊缝缺陷图像示意图；
[0029]图6为一个实施例中中值滤波处理结果示意图；
[0030]图7为一个实施例中双标滤波处理结果示意图；
[0031]图8为一个实施例中中值滤波和双边滤波两种滤波方式的结合处理结果示意图；
[0032]图9为一个实施例中准确焊缝缺陷掩膜图像示意图；
[0033]图10为一个实施例中缺陷类型分类示意图；
[0034]图11为一个实施例中设备的内部结构示意图。
具体实施方式
[0035]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。
[0036]需要说明的是，除非另外定义，本专利技术实施例使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0037]图1示出了本专利技术公开实施例中基于弱监督学习的焊接缺陷检测方法的应用示意图。
[0038]在一个实施例中，如图2所示，提供了基于弱监督学习的焊接缺陷检测方法，包括以下步骤：
[0039]步骤S101，获取焊缝图像，根据所述焊缝图像得到焊缝缺陷标记位置图像。
[0040]具体地，将焊缝图像输入到对所述缺陷位置图像进行缺陷粗略的识别，得到包含缺陷位置的焊缝缺陷标记位置。
[0041]在此基础上，通过对所述缺陷位置图像进行缺陷识别，得到焊缝缺陷标记位置图像包括：
[0042]将所述缺陷位置图像输入到数据训练模型，得到焊缝缺陷标记位置图像。
[0043]在此基础上，所述数据训练模型为基于Cascade RCNN模型的数据训练模型。
[0044]具体的，对焊缝图像进行矩形框标记，得到矩形框标注的焊缝图像，使用矩形框标注的焊缝图像训练Cascade RCNN模型，得到Cut
‑
Cascade RCNN(CC
‑
RCNN)模型，然后将焊缝图像输入到训练完成的Cut
‑
Cascade RCNN(CC
‑
RCNN)模型，粗略识别并输出缺陷在焊缝中的大概位置，得到焊缝缺陷标记位置图像，具体图像如图3所示，
[0045]在此基础上，通过对所述缺陷位置图像进行缺陷识别，得到焊缝缺陷标记位置图像，还包括：
[0046]根据所述焊缝缺陷标记位置图像将所述缺陷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于弱监督学习的焊接缺陷检测方法，其特征在于，包括：获取焊缝图像，根据所述焊缝图像得到焊缝缺陷标记位置图像；对所述焊缝缺陷标记位置图像应用自适应阈值分割方法，得到焊缝缺陷图像和分割位置；对所述焊缝缺陷图像进行滤波处理，得到准确焊缝缺陷掩膜图像；根据所述分割位置和所述准确焊缝缺陷掩膜图像，得到焊接缺陷检测结果。2.根据权利要求1所述基于弱监督学习的焊接缺陷检测方法，其特征在于，所述根据所述焊缝图像得到焊缝缺陷标记位置图像包括：将所述缺陷位置图像输入到数据训练模型，得到焊缝缺陷标记位置图像。3.根据权利要求2所述基于弱监督学习的焊接缺陷检测方法，其特征在于，所述通过对所述缺陷位置图像进行缺陷识别，得到焊缝缺陷标记位置图像，还包括：根据所述焊缝缺陷标记位置图像将所述缺陷进行分类，得到焊缝缺陷类别名称。4.根据权利要求3所述基于弱监督学习的焊接缺陷检测方法，其特征在于，所述对所述焊缝缺...

【专利技术属性】
技术研发人员：于兴华，张宝鑫，王小鹏，崔金瀚，邬竣韬，刘佳佳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：