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】
本专利技术涉及涂装表面缺陷检测,特别涉及一种基于神经网络模型的涂装表面缺陷检测方法和系统。
技术介绍
1、在传统工业生产中,尤其是在涂装行业,表面缺陷的检测往往依赖于人工视觉检查。这种方法的主要缺点在于其效率低下,且检测结果易受检测人员的主观性影响。人工检测的准确性和重复性较差,尤其是在连续长时间工作后,检测人员易疲劳,从而影响判断。此外,对于微小或复杂的缺陷,人眼可能无法准确识别,导致漏检。
2、或者,通过图像识别的方式进行缺陷检测,但是也存在检测精度不高的问题。
技术实现思路
1、本专利技术提供一种基于神经网络模型的涂装表面缺陷检测方法和系统,旨在提高涂装表面缺陷检测的精确度。
2、第一方面,本专利技术提出一种基于神经网络模型的涂装表面缺陷检测方法,包括:
3、获取待测对象的涂装表面图像,对所述涂装表面图像进行预处理;
4、提取经过预处理后的涂装表面图像的特征信息,所述特征信息包括纹理特征和边缘特征;
5、通过注意力模型对经过预处理后的涂装表面图像的像素进行遍历检测得到初始缺陷位置,基于原始的涂装表面图像在所述缺陷位置的像素值,对所述初始缺陷位置所在的预设大小的像素区域进行像素赋值,得到所述涂装表面图像的初始缺陷模型;
6、基于所述特征信息对所述初始缺陷模型进行筛选,确定所述涂装表面图像最终的缺陷位置。
7、在其中一个实施例中,所述获取待测对象的涂装表面图像,对所述涂装表面图像进行预处理包括:<
...【技术保护点】
1.一种基于神经网络模型的涂装表面缺陷检测方法,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,所述获取待测对象的涂装表面图像,对所述涂装表面图像进行预处理包括:
3.根据权利要求1所述的方法,其特征在于,通过注意力模型对经过预处理后的涂装表面图像的像素进行遍历检测得到初始缺陷位置,基于原始的所述涂装表面图像在所述缺陷位置的像素值,对所述初始缺陷位置所在的预设大小的像素区域进行像素赋值,得到所述涂装表面图像的初始缺陷模型包括:
4.根据权利要求3所述的方法,其特征在于,所述预设大小的像素区域为15*15的像素区域。
5.根据权利要求1所述的方法,其特征在于,所述提取经过预处理后的涂装表面图像的特征信息,所述特征信息包括纹理特征和边缘特征包括:
6.根据权利要求5所述的方法,其特征在于,所述通过深层卷积层和残差块提取所述涂装表面图像的更细致的纹理特征和边缘特征之后,还包括:
7.根据权利要求2所述的方法,其特征在于,所述对所述涂装表面图像进行灰度化和二值化处理,得到所述涂装表面图像的黑白图,找到所
8.一种基于神经网络模型的涂装表面缺陷检测系统,其特征在于,包括:
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序在由所述处理器加载并执行时,实现如权利要求1至7任意一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机程序,所述计算机程序被执行时,实现如权利要求1至7任意一项所述的方法。
...【技术特征摘要】
1.一种基于神经网络模型的涂装表面缺陷检测方法,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,所述获取待测对象的涂装表面图像,对所述涂装表面图像进行预处理包括:
3.根据权利要求1所述的方法,其特征在于,通过注意力模型对经过预处理后的涂装表面图像的像素进行遍历检测得到初始缺陷位置,基于原始的所述涂装表面图像在所述缺陷位置的像素值,对所述初始缺陷位置所在的预设大小的像素区域进行像素赋值,得到所述涂装表面图像的初始缺陷模型包括:
4.根据权利要求3所述的方法,其特征在于,所述预设大小的像素区域为15*15的像素区域。
5.根据权利要求1所述的方法,其特征在于,所述提取经过预处理后的涂装表面图像的特征信息,所述特征信息包括纹理特征和边缘特征包括:
<...【专利技术属性】
技术研发人员:张精,沈世皓,
申请(专利权)人:深圳市麓皎科技有限公司,
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。