【技术实现步骤摘要】
工业检测中的缺陷检测方法、缺陷检测装置
[0001]本专利技术涉及工业检测
，具体涉及一种工业检测中的缺陷检测装置和一种工业检测中的缺陷检测方法。
技术介绍
[0002]工业AI（Artificial Intelligence，人工智能）质检是当前传统制造企业数字化转型的重要一环，以机器视觉技术为基础的缺陷检测系统是其主要呈现形式。
[0003]然而，当前能够落地的缺陷检测系统基本上都是定制化开发的，其性能受到诸多因素的影响，比如工件位置的一致性、打光的稳定性、相机及镜头的匹配度、缺陷形态多样性以及缺陷检测算法有效性等。
[0004]为了应对上述问题，相关技术中，通常首先根据缺陷形态和分布进行人工光学面划分，使得各光学面的检测任务更加聚焦和轻量化；然后，采用不同模型分别对划分好的光学面图像进行缺陷检测；最后将不同光学面的检测结果进行统计分析。然而，光学面划分的好坏会受到检测算法人员的主观影响，且缺陷样本在被划分时同样被稀释，影响检测算法的准确性和鲁棒性。
技术实现思路
[0005]为解决上述技术问题，本专利技术的第一个目的在于提出一种工业检测中的缺陷检测方法。
[0006]本专利技术的第二个目的在于提出一种工业检测中的缺陷检测装置。
[0007]本专利技术采用的技术方案如下：本专利技术第一方面的实施例提出了一种工业检测中的缺陷检测方法，包括以下步骤：获取待检测工件的图像，采用光学面聚类算法输出待检测工件的光学面对应的缺陷检测模型，将所述待检测工件的图像输入所述对应
【技术保护点】
【技术特征摘要】
1.一种工业检测中的缺陷检测方法，其特征在于，包括以下步骤：获取待检测工件的图像，采用光学面聚类算法输出待检测工件的光学面对应的缺陷检测模型，将所述待检测工件的图像输入所述对应的缺陷检测模型，以通过输出缺陷检测模型输出目标检测结果，所述目标检测结果包括目标框和目标类别；将待检测工件的图像输入实例分割网络，以通过所述实例分割网络获取实例分割结果，通过异常检测网络对每个实例分割结果中属于该实例的每个像素的异常概率进行统计，给出实例分割目标的置信度，根据所述置信度输出异常检测结果；采用非极大值抑制方法对所述目标检测结果和异常检测结果进行多类别目标框融合，根据融合结果生成缺陷检测结果。2.根据权利要求1所述的工业检测中的缺陷检测方法，其特征在于，所述光学面聚类算法包括以下步骤：获取工件的所有光学面的标注数据；根据所述标注数据提取缺陷特征；根据每个光学面缺陷数量分布计算每个缺陷特征的权重；根据所述缺陷特征计算各光学面中每种缺陷的特征均值和方差；根据所述每种缺陷的特征均值和方差、所述缺陷特征的权重计算两两光学面的相似性；根据所述相似性进行光学面合并；将缺陷总数少于第一阈值的光学面组合进行重新分配，重新分配时，搜索每个光学面在该组合外的最相似光学面，并将该光学面合并到最相似光学面所在组合中；对每个光学面组合进行缺陷类型过滤，将缺陷总数小于第二阈值的缺陷类型过滤掉；根据过滤后的光学面组合输出光学面聚类结果和所述光学面对应的缺陷类型；根据所述光学面对应的缺陷类型获取光学面对应的缺陷检测模型。3.根据权利要求2所述的工业检测中的缺陷检测方法，其特征在于，根据以下公式计算每个缺陷特征的权重：；其中，w
d
为缺陷d的缺陷特征的权重，Z为归一化参数，p
d
为缺陷d所在光学面中缺陷d的数量与所有光学面的缺陷d总数的比值，T
p
为第三阈值，k
d
为缺陷数量权重，n
d
为缺陷d所在光学面中缺陷d的数量，r
d
为缺陷d的数量在所述光学面缺陷总数中的占比权重，m
d
为缺陷d的数量在所在光学面缺陷总数中的占比，T
r
为第四阈值，T
k
为第五阈值。4.根据权利要求3所述工业检测中的缺陷检测方法，其特征在于，根据以下公式计算所述两两光学面的相似性：，；
其中，S(i,j)为光学面i和光学面j的相似性，w
i,d
为光学面i缺陷d的缺陷特征的权重，w
j,d
为光学面j缺陷d的缺陷特征的权重，v
i,d
为光学面i缺陷d的缺陷特征向量，v
j,d
为光学面j缺陷d的缺陷特征向量，μ
i,d
为光学面i缺陷d的特征均值，μ
j,d
为光学面j缺陷d的特征均值，为光学面i缺陷d的方差。5.根据权利要求1所述的工业检测中的缺陷检测方法，其特征在于，所述实例分割网络包括： Mask R
‑
CNN，所述异常检测网络包括：GANomaly。6.一种工业检测中的缺陷检测装置，其特征在于，包括：目标检测模块，所...
【专利技术属性】
技术研发人员：钱智明，赵何，潘正颐，侯大为，
申请(专利权)人：常州微亿智造科技有限公司，
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。