【技术实现步骤摘要】
本申请涉及果蔬检测和人工智能，尤其涉及一种目标表面缺陷在线检测方法、装置及存储介质。
技术介绍
1、在当前的水果种植业中，许多种植者对水果分级缺乏足够的认识，通常只将重点放在筛选出不能销售的果实上，水果分级主要依赖于人工视觉和机械处理，这不仅效率低下，而且容易受到主观判断的影响，导致分级结果的不一致性和不准确性。
2、机器视觉检测在水果分选中的应用，解决了传统人工分级和机械式分级的诸多问题。与人工分级相比，机器视觉检测系统具备高效、持续稳定运作的特点，极大地提高了分选效率。这种系统不仅能够全天候无间断工作，而且其分选精度远超人工，能够准确识别水果的大小、色泽、成熟度甚至是表面的细微瑕疵。这样的高精度检测，对于保证水果质量和分类的一致性至关重要。相较于机械式分级，机器视觉检测对水果的处理更加温和，避免了对水果果皮的物理伤害。这是因为机器视觉系统主要依靠高清摄像头和先进的图像处理技术，而非直接接触水果表面。因此，能够保持水果的完整性和美观度，提升最终产品的市场价值。
3、目前的使用机器视觉技术通常是对水果按照尺寸和颜色特征进行分选，这种方式在追求高精度的缺陷检测和分类的同时，无法满足实际生产高通量、实时性的需求。
技术实现思路
1、本申请实施例提供一种目标表面缺陷在线检测方法、装置及存储介质，用以解决现有技术中无法同时保障的缺陷检测的高精度与高效率技术问题。
2、第一方面，本申请实施例提供一种目标表面缺陷在线检测方法，包括：
3、获取检测
4、将所述待检测图像输入至缺陷区域检测模型，获取所述检测目标的缺陷结果；所述缺陷区域检测模型是基于协调注意力ca机制和上下文转换ct网络改进的目标检测模型，且所述缺陷区域检测模型是利用网络推理工具tensorrt进行部署的。
5、在一些实施例中，所述获取检测目标对应的待检测图像，包括：
6、使用多个相机分别获取所述检测目标经过不同检测工位的图像；
7、对每个相机拍摄的所述检测目标经过不同检测工位的图像进行拼接，得到每一相机对应的检测区域复合图像；
8、对所述检测区域复合图像进行图像增强处理，得到待检测图像。
9、在一些实施例中，所述缺陷区域检测模型是基于协调注意力ca机制和上下文转换ct网络改进的yolov7模型；
10、其中，所述yolov7模型的骨干网络中包含ca机制模块；所述yolov7模型的头部网络中包含ct模块。
11、在一些实施例中，所述将所述待检测图像输入至缺陷区域检测模型，获取所述检测目标的缺陷结果，包括：
12、将所述待检测图像输入至缺陷区域检测模型，输出所述检测目标的缺陷区域检测结果；
13、根据所述缺陷区域检测结果确定每一待检测图像中的缺陷区域的个数；
14、根据所有待检测图像中的缺陷区域的个数确定所述检测目标的缺陷结果。
15、在一些实施例中，所述根据所有待检测图像中的缺陷区域的个数确定所述检测目标的缺陷结果，包括：
16、将所述检测目标对应的每一待检测图像中的缺陷区域的个数存入循环编码队列中；
17、在所述循环编码队列中的缺陷区域的个数为零的情况下，确定所述检测目标为正常果；和/或
18、在所述循环编码队列中的缺陷区域的个数为非零的情况下，确定所述检测目标为缺陷果，并将所述循环编码队列中记录的数据清零。
19、在一些实施例中，所述缺陷区域检测模型是基于以下步骤训练得到的：
20、获取多个训练样本经过不同检测工位的图像；
21、对每一训练样本拼接所述训练样本经过不同检测工位的图像，得到样本复合图像；
22、标记图像增强后的样本复合图像中的缺陷区域、果梗区域和花萼区域；
23、基于标记后的图像训练目标检测模型，得到训练后的缺陷区域检测模型。
24、第二方面，本申请实施例提供一种目标表面缺陷在线检测装置，包括：
25、第一获取模块，用于获取检测目标对应的待检测图像；
26、第二获取模块，用于将所述待检测图像输入至缺陷区域检测模型，获取所述检测目标的缺陷结果；所述缺陷区域检测模型是基于协调注意力ca机制和上下文转换ct网络改进的目标检测模型，且所述缺陷区域检测模型是利用网络推理工具tensorrt进行部署的。
27、第三方面，本申请实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述的目标表面缺陷在线检测方法。
28、第四方面，本申请实施例还提供一种非暂态计算机可读存储介质，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如上述第一方面所述的目标表面缺陷在线检测方法。
29、第五方面，本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的目标表面缺陷在线检测方法。
30、本申请实施例提供的目标表面缺陷在线检测方法、装置及存储介质，通过增加协调注意力ca机制和上下文转换ct网络，并利用网络推理工具tensorrt部署得到缺陷区域检测模型，用该缺陷区域检测模型检测目标表面的缺陷区域，在提升目标表面缺陷区域检测精度的同时，实现了对目标表面缺陷的快速检测，能够很好满足实际应用中生产高通量及实时性的需求。
本文档来自技高网...【技术保护点】
1.一种目标表面缺陷在线检测方法，其特征在于，包括：
2.根据权利要求1所述的目标表面缺陷在线检测方法，其特征在于，所述获取检测目标对应的待检测图像，包括：
3.根据权利要求1所述的目标表面缺陷在线检测方法，其特征在于，所述缺陷区域检测模型是基于协调注意力CA机制和上下文转换CT网络改进的YOLOv7模型；
4.根据权利要求1所述的目标表面缺陷在线检测方法，其特征在于，所述将所述待检测图像输入至缺陷区域检测模型，获取所述检测目标的缺陷结果，包括：
5.根据权利要求4所述的目标表面缺陷在线检测方法，其特征在于，所述根据所有待检测图像中的缺陷区域的个数确定所述检测目标的缺陷结果，包括：
6.根据权利要求1所述的目标表面缺陷在线检测方法，其特征在于，所述缺陷区域检测模型是基于以下步骤训练得到的：
7.一种目标表面缺陷在线检测装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述目标表面缺陷在线检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述目标表面缺陷在线检测方法。
...【技术特征摘要】
1.一种目标表面缺陷在线检测方法，其特征在于，包括：
2.根据权利要求1所述的目标表面缺陷在线检测方法，其特征在于，所述获取检测目标对应的待检测图像，包括：
3.根据权利要求1所述的目标表面缺陷在线检测方法，其特征在于，所述缺陷区域检测模型是基于协调注意力ca机制和上下文转换ct网络改进的yolov7模型；
4.根据权利要求1所述的目标表面缺陷在线检测方法，其特征在于，所述将所述待检测图像输入至缺陷区域检测模型，获取所述检测目标的缺陷结果，包括：
5.根据权利要求4所述的目标表面缺陷在线检测方法，其特征在于，所述根据所有待检测图像中的缺陷区域的个数确定所述检测目标的缺陷结果，包括：
6.根据权利要求1所...
【专利技术属性】
技术研发人员：张驰，贾雪莹，王庆艳，黄文倩，樊书祥，何鑫，
申请(专利权)人：北京市农林科学院智能装备技术研究中心，
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。