System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及产品缺陷检测领域,尤其涉及一种基于图像的缺陷区域检测方法、装置及计算机设备。
技术介绍
1、缺陷检测是工业生产中极为重要的一环,检测效率的高低直接影响着对产品的品控成本。通过产品的图像可以快速确定产品存在的缺陷并根据标准筛选出合格产品和不合格产品,这种方式易于实现且效率较高,被广泛应用于各种产品检测环节。
2、缺陷检测可为人工检测,由质检人员一一确定产品图像中的异常区域,并确定异常区域是否为影响产品合格与否的缺陷区域。这种情况下,产品图像的数量达到一定规模后会严重影响人工检测的准确率,耗时也会大大加长。此外,当产品图像为非单一背景时,缺陷检测处理复杂图像的能力较差,容易造成漏检、过检等问题。
技术实现思路
1、本申请实施例提供一种基于图像的缺陷区域检测方法、装置及计算机设备,以解决缺陷区域检测方法准确率低、耗时长的问题。
2、第一方面,本申请实施例提供一种基于图像的缺陷区域检测方法,该检测方法包括:
3、获取待检测图像和预设的良品图像;
4、将待检测图像和良品图像进行图像配准,得到配准后的图像数据对;
5、将配准后的图像数据对输入至预训练的缺陷识别模型;其中,缺陷识别模型由训练样本训练得到,训练样本通过缺陷图像和良品图像配准生成;
6、获取缺陷识别模型输出的缺陷区域。
7、在一种可能的实现方式中,将配准后的图像数据对输入至预训练的缺陷识别模型包括:
8、将配准后的图像数据对按照
9、将图像数据输入至预训练的缺陷识别模型。
10、在一种可能的实现方式中,图像通道包括图像的红色通道、绿色通道、蓝色通道。
11、在一种可能的实现方式中,获取待检测图像和预设的良品图像包括:
12、获取待检测产品的表面图像;
13、对表面图像进行图像预处理,得到目标尺度的待检测图像;
14、图像预处理包括图像缩放、图像裁剪、图像归一化中的一项或多项的组合。
15、在一种可能的实现方式中,在获取缺陷识别模型输出的缺陷区域之后,还包括:
16、基于预设的缺陷特征指标,获取缺陷区域对应于缺陷特征指标的特征值;
17、如果特征值大于或等于预设阈值,将缺陷区域确定为目标缺陷区域。
18、在一种可能的实现方式中,缺陷确定指标包括缺陷区域面积、缺陷区域灰度值、缺陷区域骨架宽度中的一项或多项组合。
19、第二方面,本申请实施例提供一种缺陷识别模型的训练方法,该训练方法包括:
20、获取图像样本集;图像样本集包括缺陷图像和良品图像;
21、将缺陷图像和良品图像进行图像配准,得到图像样本对;
22、将图像样本对按照图像通道的维度进行拼接,得到初始训练样本;
23、将初始训练样本输入至初始模型中;
24、基于初始模型的输出结果以及缺陷图像预先标注的缺陷区域,对初始模型执行训练,以得到缺陷识别模型。
25、在一种可能的实现方式中,基于初始模型的输出结果以及缺陷图像预先标注的缺陷区域,对初始模型执行训练包括:
26、计算初始模型的输出结果与缺陷图像预先标注的缺陷区域的误差值;
27、如果误差值小于或等于误差阈值,输出初始模型的模型参数,以获得预训练的缺陷识别模型;
28、如果误差值大于误差阈值,根据误差值修改初始模型的模型参数。
29、第三方面,本申请提供一种基于图像的缺陷区域检测装置,包括:
30、图像获取模块,用于获取待检测图像和预设的良品图像;
31、图像配准模块,用于将所述待检测图像和所述良品图像进行图像配准,得到配准后的图像数据对;
32、输入模块,用于将所述配准后的图像数据对输入至预训练的缺陷识别模型;其中,所述缺陷识别模型由训练样本训练得到,所述训练样本通过缺陷图像和良品图像配准生成;
33、缺陷获取模块,用于获取所述缺陷识别模型输出的缺陷区域。
34、第四方面,本申请提供一种计算机设备,该设备包括存储器和处理器,存储器存储有计算机程序,处理器从存储器中调用并执行计算机程序时实现上述第一方面所述的基于图像的缺陷区域检测方法的步骤。
35、第五方面,本申请提供一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的基于图像的缺陷区域检测方法的步骤。
36、第六方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的基于图像的缺陷区域检测方法的步骤。
37、通过本申请提供的技术方案,可以将获取的待检测图像和预设的良品图像进行图像配准,得到配准后的图像数据对并将该图像数据对输入至预训练的缺陷识别模型,进而可以获取由该缺陷识别模型输出的缺陷区域。本申请技术方案中的缺陷识别模型可以通过包含缺陷图像和良品图像的训练样本训练得到,由于训练样本经缺陷图像和良品图像配准生成,该模型通过预先学习缺陷图像与良品图像之间的差异特征,可以更好地识别不同图像之间的差异性,从而可以根据预设的良品图像更准确地检测出待检测图像中的缺陷区域,减少漏检、过检等问题。
本文档来自技高网...【技术保护点】
1.一种基于图像的缺陷区域检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述配准后的图像数据对输入至预训练的缺陷识别模型包括:
3.根据权利要求2所述的方法,其特征在于,所述图像通道包括图像的红色通道、绿色通道、蓝色通道。
4.根据权利要求1所述的方法,其特征在于,所述获取待检测图像和预设的良品图像包括:
5.根据权利要求1所述的方法,其特征在于,在获取所述缺陷识别模型输出的缺陷区域之后,还包括:
6.根据权利要求5所述的方法,其特征在于,所述缺陷特征指标包括缺陷区域面积、缺陷区域灰度值、缺陷区域骨架宽度中的一项或多项组合。
7.一种缺陷识别模型的训练方法,其特征在于,所述训练方法包括:
8.根据权利要求7所述的训练方法,其特征在于,所述基于所述初始模型的输出结果以及所述缺陷图像预先标注的缺陷区域,对所述初始模型执行训练包括:
9.一种基于图像的缺陷区域检测装置,其特征在于,包括:
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计
...【技术特征摘要】
1.一种基于图像的缺陷区域检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述配准后的图像数据对输入至预训练的缺陷识别模型包括:
3.根据权利要求2所述的方法,其特征在于,所述图像通道包括图像的红色通道、绿色通道、蓝色通道。
4.根据权利要求1所述的方法,其特征在于,所述获取待检测图像和预设的良品图像包括:
5.根据权利要求1所述的方法,其特征在于,在获取所述缺陷识别模型输出的缺陷区域之后,还包括:
6.根据权利要求5所述的方法,其特征在于,所述缺陷特征指标包括...
【专利技术属性】
技术研发人员:何喜志,
申请(专利权)人:凌云光技术股份有限公司,
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。