检测产品缺陷的方法和装置制造方法及图纸

公开了检测产品缺陷的方法和装置。一种在工业流水线上自动检测产品缺陷的方法，包括：获取待检测产品的第一图像，该第一图像包括产品的多个特征部；对第一图像进行变换以获得第二图像，在第二图像中多个特征部呈线性排列；利用卷积神经网络基于第二图像获得特征图，并且将特征图转换为热力图；从热力图中识别缺陷，并且在第二图像中多个特征部的线性排列中确定与所识别的缺陷对应的位置；以及基于该位置在第一图像中确定存在缺陷的特征部。置在第一图像中确定存在缺陷的特征部。置在第一图像中确定存在缺陷的特征部。

【技术实现步骤摘要】
检测产品缺陷的方法和装置


[0001]本专利技术涉及用于检测产品缺陷的方法和装置，更具体地，涉及在工业流水线上自动检测产品缺陷的方法和装置。

技术介绍

[0002]传统的产品外观缺陷检测往往由人工完成，但人工检测效率低，漏检率高，并且成本不断上升，因此严重地制约产能。对此已经开发出一些自动化检测技术，例如基于机器视觉的检测技术。相比于人工检测，自动检测具有效率高、操作自动化、准确率高等优点。
[0003]现有的自动检测技术通常通过对产品外观的图像进行图像处理来检测缺陷。然而，存在着一些产品的外观比较复杂或特殊而导致无法使用常规的图像处理、模板匹配等方法的情况。

技术实现思路

[0004]本专利技术提供了一种产品外观缺陷自动检测方案，其具有效率高、准确率高、节省人力成本等优点。此外特别地，本专利技术能够应用于利用常规技术无法进行检测的特殊产品。
[0005]根据本专利技术的第一方面，提供了一种在工业流水线上自动检测产品缺陷的方法，包括：获取待检测的产品的第一图像，所述第一图像包括所述产品的多个特征部；对所述第一图像进行变换以获得第二图像，在所述第二图像中，所述多个特征部呈线性排列；利用卷积神经网络基于所述第二图像获得特征图，并且将所述特征图转换为热力图；从所述热力图中识别缺陷，并且在所述第二图像中所述多个特征部的线性排列中确定与所识别的缺陷对应的位置；以及基于所述位置在所述第一图像中确定存在缺陷的特征部。
[0006]根据本专利技术的第一方面，还提供了一种在工业流水线上自动检测产品缺陷的方法，包括：获取待检测的产品的图像，所述图像至少包括所述产品的一个表面；利用卷积神经网络基于所述图像获得特征图，并且将所述特征图转换为热力图；从所述热力图中识别缺陷，并且在所述图像中确定与所识别的缺陷对应的位置；确定在所述位置处所述产品的所述一个表面存在缺陷。
[0007]根据本专利技术的第二方面，提供了一种用于在工业流水线上自动检测产品缺陷的装置，包括：存储器，以及一个或多个处理器，所述处理器被配置为：获取待检测的产品的第一图像，所述第一图像包括所述产品的多个特征部；对所述第一图像进行变换以获得第二图像，在所述第二图像中，所述多个特征部呈线性排列；利用卷积神经网络基于所述第二图像获得特征图，并且将所述特征图转换为热力图；从所述热力图中识别缺陷，并且在所述第二图像中所述多个特征部的线性排列中确定与所识别的缺陷对应的位置；以及基于所述位置在所述第一图像中确定存在缺陷的特征部。
[0008]根据本专利技术的第二方面，还提供了一种用于在工业流水线上自动检测产品缺陷的装置，包括：存储器，以及一个或多个处理器，所述处理器被配置为：获取待检测的产品的图像，所述图像至少包括所述产品的一个表面；利用卷积神经网络基于所述图像获得特征图，
并且将所述特征图转换为热力图；从所述热力图中识别缺陷，并且在所述图像中确定与所识别的缺陷对应的位置；确定在所述位置处所述产品的所述一个表面存在缺陷。
[0009]根据本专利技术的第三方面，提供了一种存储有程序的记录介质，所述程序在被计算机执行时，使得计算机实现如上所述的方法。
附图说明
[0010]图1A示出了作为产品的一个示例的转向器的立体图，图1B示出了转向器的顶视图。
[0011]图2示出了根据本专利技术第一实施例的产品缺陷检测方法的总体流程图。
[0012]图3A示出了对图1B中的图像进行变换后得到的图像，图3B是图3A的局部放大图。
[0013]图4示出了基于图3A中的图像而获得的热力图。
[0014]图5示出了根据本专利技术第一实施例的检测方法的一个具体流程图。
[0015]图6A-6E分别示出了转向器的拍摄图像以及经过各种预处理后获得的图像。
[0016]图7示出了根据本专利技术第一实施例的检测方法的另一具体流程图。
[0017]图8示出了多个变换后图像以及相对应的多个热力图。
[0018]图9示出了根据本专利技术第二实施例的产品缺陷检测方法的流程图。
[0019]图10示出了实现本专利技术的计算机硬件的示例性配置框图。
具体实施方式
[0020]下文中将以转向器作为产品的一个示例来描述本专利技术，但是本专利技术的方案并仅不限于检测转向器的缺陷。图1A示出了具有缺陷的转向器的立体图，图1B示出了该转向器的顶视图。如图所示，转向器具有圆柱状的主体部分以及从主体的顶部圆周弯曲向下延伸的多个锯齿。除了锯齿100之外，这些锯齿在圆周上以相等的间隔排列，并且以相同的角度弯曲向下。锯齿100在排列间隔和弯曲角度方面均不同于其它锯齿，因此锯齿100是转向器外观中的缺陷部分。
[0021]图2示意性地示出了根据本专利技术第一实施例的产品缺陷检测方法的总体流程图。如图2所示，首先在步骤S210获取产品的图像(以下称为“第一图像”)，例如可以通过用相机拍摄产品而获得第一图像。所得到的第一图像例如可以如图1B所示。
[0022]在步骤S220对所拍摄的第一图像进行变换，以获得变换后的图像(以下称为“第二图像”)。在本实施例中，由于转向器的锯齿成环状排列，因此采用极坐标变换方法。然而，针对不同产品的外观特点，本领域技术人员可以采用其它的变换方式，本专利技术对此不做限制。图3A示出了经过极坐标变换后得到的第二图像。如图3A所示，经变换后，转向器的全部锯齿成直线状排列。图3B示出了图3A中的方框部分的放大图，该部分包含具有缺陷的锯齿100。
[0023]在步骤S230利用卷积神经网络对获得的第二图像进行处理以生成特征图，并且通过可视化处理将该特征图转换为热力图。由于利用卷积神经网络生成特征图以及特征图的可视化是本领域技术人员已知的技术，因此本文中省略其详细描述。本领域技术人员可以采用任何适当的技术来执行步骤S230。在本专利技术中，由于利用卷积神经网络提取特征不受图像内容的限制，因此根据本专利技术的方法能够适用于检测具有复杂或特殊外观的产品(例如具有多个锯齿的转向器)，而传统的图像处理方法可能难以检测这些产品的外观。
[0024]然后如步骤S240所示，在得到的热力图中识别缺陷的存在。图4示意性地示出了基于图3A所示的第二图像获得的热力图，图4中的白点指示缺陷的存在。易于理解的是，如果转向器的外观没有缺陷，则所得到的热力图中将不存在白点。
[0025]在步骤S250将热力图与图3A所示的第二图像进行对照，在第二图像中确定在水平方向上与热力图中的白点相对应的锯齿，该锯齿就是有缺陷的锯齿100。
[0026]由于第二图像是极坐标变换后的变换图像，因此在第二图像中确定缺陷锯齿100还不能确定在实际产品上的缺陷锯齿的位置，因此流程进行至步骤S260。在步骤S260，对第二图像进行与步骤S220中的极坐标变换相反的逆变换，以恢复第一图像。通过逆变换，可以确定与第二图像中的缺陷位置对应的第一图像中的相应位置。由于第一图像(如图1B所示)示出实际产品，因此可以确定在实际转向器上的存在缺陷的锯齿，从而实现外观缺陷检测的效果。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在工业流水线上自动检测产品缺陷的方法，包括：获取待检测的产品的第一图像，所述第一图像包括所述产品的多个特征部；对所述第一图像进行变换以获得第二图像，在所述第二图像中，所述多个特征部呈线性排列；利用卷积神经网络基于所述第二图像获得特征图，并且将所述特征图转换为热力图；从所述热力图中识别缺陷，并且在所述第二图像中所述多个特征部的线性排列中确定与所识别的缺陷对应的位置；以及基于所述位置在所述第一图像中确定存在缺陷的特征部。2.根据权利要求1所述的方法，其中，通过对所述第一图像进行极坐标变换而获得所述第二图像。3.根据权利要求1所述的方法，还包括：将所述第二图像逆变换为所述第一图像，其中，所述位置被映射至所述第一图像中的相应位置；将所述第一图像中的所述相应位置处的特征部确定为存在缺陷的特征部。4.根据权利要求1所述的方法，还包括：将所述第一图像旋转预定角度，以获得一个或多个经旋转的图像；分别对所述一个或多个经旋转的图像进行所述变换，以获得一个或多个第三图像；利用卷积神经网络分别针对所述第二图像和所述一个或多个第三图像获得热力图；选择所获得的热力图中的一个，并且在所选择的热力图中识别缺陷。5.根据权利要...

【专利技术属性】
技术研发人员：刘威，孙俊，于小亿，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：