【技术实现步骤摘要】
基于多级联目标检测模型的缺陷检测方法、装置及设备
[0001]本专利技术涉及缺陷检测
,尤其涉及一种基于多级联目标检测模型的缺陷检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]在机器视觉应用领域,特别是在工业产品表面缺陷检测细分领域,应对复杂背景下多尺度、多形态的缺陷检测,往往采用深度卷积神经网络(Deep Convolution Neural Networks,DCNNs)模型的算法具有较好的实用效果。由于缺陷类型和缺陷出现的背景纹理变化多样,要求在复杂变化多样的背景下检测出缺陷是一项具有巨大挑战的工作。通常为了保证算法模型对缺陷的高检出率,同时会带来大量的误检,使得算法模型对缺陷的检测准确率大大降低,这对于将这一技术用于工业现场产品的在线检测是巨大的瓶颈,阻碍了将整套视觉检测技术应用到工业实际场景的步伐。因此,推动机器视觉技术在工业产品表面质量在线检测领域有效应用,获得一种基于多级联目标检测模型提升缺陷检测准确率的方法,是具有重要实用意义和经济价值。
[0003]针对产品表面缺陷种类多、背景纹理复杂多变的缺陷检测场景,传统视觉检测算法仅仅适用于基于预先人为设计的缺陷特征进行检测,对不同的缺陷需设计不同特征表示,其难度和效果都不如人意。这样的方法过于依赖于人为对缺陷特征设计及表征,存在普适性差,泛化能力不足的缺点,缺陷检测的准确率和召回率的平衡控制仍无法满足实际生产需求。采用当下最流行的DCNNs模型,结合大量的数据集训练,可以得到对各种缺陷泛化能力很强的算法,使得只要是疑似缺陷 ...
【技术保护点】
【技术特征摘要】
1.一种基于多级联目标检测模型的缺陷检测方法,其特征在于,包括以下步骤:获取待测图像,采集与所述待测图像处于同一系列且具有不同纹理的无缺陷样本图像,构建得到负样本集;基于比较器提取所述样本图像和待测图像的特征向量,分别得到样本特征向量和待测特征向量,并计算所述待测特征向量与所有样本特征向量的距离,比较得到距离最小值对应的样本特征向量,将对应的样本图像作为参比图像;通过缺陷检测器检测所述待测图像,得到缺陷图像,在所述参比图像上框定与所述缺陷图像对应的放大区域,采用模板匹配方法在所述放大区域中检索得到与所述缺陷图像匹配度最高的目标参比图像;将所述缺陷图像与所述目标参比图像输入至判别器,基于所述判别器的特征提取和距离度量计算二者的目标相似度,并根据所述目标相似度与预设的相似度阈值之间的关系,得到缺陷判别结果。2.根据权利要求1所述的基于多级联目标检测模型的缺陷检测方法,其特征在于,所述比较器为基于VGG16网络改进的网络结构,包括依次设置的5个卷积池化模块、FC1
‑
25088和FC2
‑
1024。3.根据权利要求1所述的基于多级联目标检测模型的缺陷检测方法,其特征在于,所述计算所述待测特征向量与所有样本特征向量的距离,比较得到距离最小值对应的样本特征向量,将对应的样本图像作为参比图像,包括:采用皮尔逊相关系数法计算所述待测特征向量与所有样本特征向量的距离,公式为:式中,V
det
(β
i
)为待测特征向量,为样本特征向量,n为特征向量维数,k为负样本集数量,且有:集数量,且有:根据公式(1)得到所述待测特征向量和样本特征向量的距离,为:式中,距离Dis∈[0,2],距离越小表示相似度越高,距离越大表示相似度越低;根据计算出的距离比较得到距离最小值对应的样本特征向量,并将对应的样本图像作为参比图像。4.根据权利要求1所述的基于多级联目标检测模型的缺陷检测方法,其特征在于,所述通过缺陷检测器检测所述待测图像,得到缺陷图像,在所述参比图像上框定与所述缺陷图像对应的放大区域,采用模板匹配方法在所述放大区域中检索得到与所述缺陷图像匹配度
最高的目标参比图像,包括:采用Faster
‑
RCNN模型对所述待测图像进行检测,得到矩形框标注下的缺陷图像;获取所述缺陷图像中位于对角线上的两个端点,并根据所述两个端点在所述参比图像中获取对应的参比端点,以两个参比端点的中点为基准将矩形框长宽放大至预设倍数,得到放大区域;将所述缺陷图像作为模板,在所述放大区域中进行检索,并采用相关系数匹配方法得到与所述缺陷图像相关系数最大的矩形框图像,作为目标参比图像。5.根据权利要求3所述的基于多级联目标检测模型的缺陷检测方法,其特征在于,所述将所述缺陷图像与所述目标参比图像输入至判别器,包括:基于深度度量学习构建判别器,对所述缺陷图像和目标参比图像进行预处理,并输入至所述判别器;在所述判别器中,融合Arc
‑
margin函数和交叉熵损失函数,得到总损失函数为:L
tol
=αL
ce
+βL
arc
ꢀꢀꢀ
(3)式中,α和β分别为Arc
‑
...
【专利技术属性】
技术研发人员:王侃,周福江,郝方伟,马恺麟,
申请(专利权)人:重庆中科摇橹船信息科技有限公司,
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。