基于神经网络模型的涂装表面缺陷检测方法和系统技术方案

技术编号：41068339 阅读：2 留言：0更新日期：2024-04-24 11:23

本发明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，包括获取待测对象的涂装表面图像，对涂装表面图像进行预处理，提取经过预处理后的涂装表面图像的纹理特征和边缘特征，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，对初始缺陷位置所在的预设大小的像素区域进行像素赋值，得到涂装表面图像的初始缺陷模型，基于特征信息对初始缺陷模型进行筛选，确定涂装表面图像最终的缺陷位置；本方法采用神经网络模型提取涂装表面图像的特征信息，引入注意力模型构建涂装表面图像的初始缺陷模型，基于特征信息对初始缺陷模型进行筛选，可以得到准确的缺陷位置，提高了涂装表面缺陷检测的精度。

全部详细技术资料下载

【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：</p>

8、获取待测对象的涂装表面图像，所述涂装表面图像包括光源区域和非光源区域；

9、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，找到所述黑白图的白色区域；

10、基于所述白色区域进行扩张和分割，得到若干包含所述白色区域的预设大小的图像单元。

11、在其中一个实施例中，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，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：

12、对经过预处理后的涂装表面图像的像素进行遍历检测；

13、若连续出现预设数量的像素颜色与其周边颜色不一致，确定所述颜色不一致的像素区为初始缺陷位置；

14、确定所述初始缺陷位置的中心像素，获取原始的涂装表面图像在所述中心像素所在的预设大小的像素区域的像素值，并计算平均值；

15、将所述预设大小的像素区域内的所有像素值减去平均值，并进行归一化处理，将所述原始的涂装表面图像的其他区域的像素赋值为0，得到所述涂装表面图像的初始缺陷模型。

16、在其中一个实施例中，所述预设大小的像素区域为15*15的像素区域。

17、在其中一个实施例中，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：

18、通过卷积层和激活函数提取所述涂装表面图像的基本纹理特征和边缘特征；

19、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。

20、在其中一个实施例中，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：

21、对所述基本纹理特征和边缘特征，以及更细致的纹理特征和边缘特征进行整合，提炼所述涂装表面图像的特征信息。

22、在其中一个实施例中，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，找到所述黑白图的白色区域包括：

23、对所述涂装表面图像进行灰度化和二值化处理，将所述非光源区域的像素赋值为零，白色区域为光源区域；

24、以及，对所述涂装表面图像进行灰度化和二值化处理，将所述光源区域的像素赋值为零，白色区域为非光源区域。

25、第二方面，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系统，包括：

26、预处理单元，用于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；

27、特征提取单元，用于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；

28、注意力单元，用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，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；

29、筛选单元，用于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。

30、第三方面，本专利技术提出一种计算机设备，所述计算机设备包括处理器和存储器，所述存储其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，实现如上述任意一项权利要求所述的方法。

31、第四方面，本专利技术提出一种计算机存储介质，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，实现如上述任意一项权利要求所述的方法。

32、本专利技术一种基于神经网络模型的涂装表面缺陷检测方法和系统，包括获取待测对象的涂装表面图像，对涂装表面图像进行预处理，提取经过预处理后的涂装表面图像的纹理特征和边缘特征，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，对初始缺陷位置所在的预设大小的像素区域进行像素赋值，得到涂装表面图像的初始缺陷模型，基于特征信息对初始缺陷模型进行筛选，确定涂装表面图像最终的缺陷位置；本方法采用神经网络模型提取涂装表面图像的特征信息，引入注意力模型构建涂装表面图像的初始缺陷模型，基于特征信息对初始缺陷模型进行筛选，可以得到准确的缺陷位置，提高了涂装表面缺陷检测的精度。

本文档来自技高网...

【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，找到所述黑白图的白色区域包括：

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：

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：

全部详细技术资料下载我是这个专利的主人