一种缺陷检测方法、装置、电子设备及存储介质制造方法及图纸

本申请的一些实施例提供一种缺陷检测方法、装置、电子设备及存储介质，该方法包括：获取待识别图像；根据待识别图像和预先训练的缺陷识别模型，确定与待识别图像对应的缺陷位置信息；根据缺陷位置信息和预先训练的分割模型缺陷分割模型，对待识别图像中的缺陷位置进行分割，得到与待识别图像对应的缺陷分割结果，预先训练的分割模型缺陷分割模型是采用训练样本图像对初始分割模型缺陷分割模型进行训练得到的，分割模型缺陷分割模型用于对图像中的缺陷进行分割，这样，不仅不需要训练很多模型，还节省训练样本图像占用的内存，且提高图像处理效率，提高缺陷检测效率。提高缺陷检测效率。提高缺陷检测效率。

【技术实现步骤摘要】
一种缺陷检测方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，具体而言，涉及一种缺陷检测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着现代机器学习与人工智能技术的发展，越来越多相关技术被应用于工业场景中，由于工业生产过程中的系统或人为因素难免会在产品表面产生划痕、裂缝等缺陷，传统的人工缺陷检测的速度与准确率已经严重限制了产品的生产效率，无法满足工业场景的检测要求。
[0003]目前通常需要获取待检测的图像数据，然后对图像进行处理，根据处理结果来判断图像中是否缺陷，再对图像进行处理时，可以采用基于深度神经网络的图像分割方法对待检测的图像进行端对端的特征提取，若待检测的图像中的缺陷较为复杂，则需要建立多个数据集进行多次训练，对于不同的缺陷对应不同的模型，这样，不仅需要占用大量的存储空间，还需要花费较多时间训练模型，再进行图像处理时效率较低，如何能够提高图像的处理效率，从而能更快速得识别出待检测的图像数据中的缺陷是目前急需解决的问题。

技术实现思路

[0004]本申请的一些实施例的目的在于提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺陷检测方法，其特征在于，所述方法包括：获取待识别图像；根据所述待识别图像和预先训练的缺陷识别模型，确定与所述待识别图像对应的缺陷位置信息，其中，所述预先训练的缺陷识别模型是采用训练样本图像对图像关联预训练模型进行训练得到的，所述缺陷识别模型用于确定图像中的缺陷位置信息；根据所述缺陷位置信息和预先训练的缺陷分割模型，对所述待识别图像中的缺陷位置进行分割，得到与所述待识别图像对应的缺陷分割结果，其中，所述预先训练的缺陷分割模型是采用所述训练样本图像对初始缺陷分割模型进行训练得到的，所述缺陷分割模型用于对图像中的缺陷进行分割。2.根据权利要求1所述的缺陷检测方法，其特征在于，在所述待识别图像符合预设条件的情况下，所述预先训练的缺陷识别模型通过如下方式获得：获取训练样本图像；对所述训练样本图像进行基础数据标注，得到第一标注样本图像；根据所述第一标注样本图像，对所述图像关联预训练模型进行训练，得到训练后的初始识别模型；在所述初始识别模型的基础上，对第一掩膜矩阵进行训练，得到训练后的第一掩膜矩阵；其中，所述训练后的第一掩膜矩阵用于标识所述初始识别模型中的各个参数的有效性；根据所述训练后的第一初始识别模型和所述训练后的第一掩膜矩阵，确定所述缺陷识别模型。3.根据权利要求2所述的缺陷检测方法，其特征在于，所述在所述初始识别模型的基础上，对第一掩膜矩阵进行训练，得到训练后的第一掩膜矩阵，包括：在所述初始识别模型的基础上，获取第一初始掩膜矩阵；根据预设训练参数对所述第一初始掩膜矩阵进行二值化处理，得到所述第一掩膜矩阵。4.根据权利要求2所述的缺陷检测方法，其特征在于，所述第一掩膜矩阵至少包括第一标识信息和第二标识信息，其中，所述第一标识信息用于标识所述初始识别模型中的参数为有效数据，所述第二标识信息用于标识所述初始识别模型中的参数为无效数据。5.根据权利要求2所述的缺陷检测方法，其特征在于，所述预先训练的缺陷分割模型通过如下方式获得：对所述训练样本图像进行实例分割标注，得到第二标注样本图像；根据所述第二标注样本图像和所述缺陷识别模型输出的缺陷位置信息，对所述初始缺陷分割模型进行训练，得到训练后的...

【专利技术属性】
技术研发人员：张正涛，屈震，陶显，沈飞，张武杰，孔志营，
申请(专利权)人：中科慧远视觉技术洛阳有限公司，
类型：发明
国别省市：