工业检测中的检测方法、检测装置和存储介质制造方法及图纸

本发明专利技术提供一种工业检测中的检测方法、检测装置和存储介质，所述方法包括：获取待检测的工件图片并筛除模糊图像；将筛除模糊图像后的工件图片进行缩放和高斯滤波处理；将处理后的工件图片作为输入送入第一卷积神经网络，以获取工件图片的实例分割图；将工件图片的实例分割图作为输入送入第二卷积神经网络，以获取将工件图片的实例分割图变换到基准实例分割图的单应性矩阵H；根据单应性矩阵H获取相应的配准图像；根据配准图像进行图像检测。该检测方法在进行图像配准时采用卷积神经网络，不再依赖商业用途的算子，可大大降低软件成本，另外，该网络不仅鲁棒性、配准率较高，且训练时间少、对CPU和GPU的资源要求较低。

【技术实现步骤摘要】
工业检测中的检测方法、检测装置和存储介质
本专利技术涉及检测
，具体涉及一种工业检测中的检测方法、一种工业检测中的检测装置和一种非临时性计算机可读存储介质。
技术介绍
在工业检测领域，无论是缺陷检测还是尺寸检测，对工件成像后的照片进行图像配准是一个重要的环节，如果在工业产线上的工件不经过图像配准的环节，而直接进行缺陷检测或者尺寸检测，其检测结果会有很大的偏差，这将导致严重的后果。因此，有必要在其他后续检测工作之前，需要先对待检测的工件图片进行图像配准。相关技术中，图像配准方法一般为：1、视觉算法（如基于特征的匹配算法），此类方法多是利用OpenCV（一种跨平台计算机视觉和机器学习软件库）中的算子来实现特征的提取，并通过特征匹配实现图像配准，但该特征提取方式对CPU（CentralProcessingUnit，中央处理器）、GPU（GraphicsProcessingUnit，图形处理器）的资源要求高、处理速度慢、并且某些算子在商业用途收费高昂，一般使用一次算子即进行一次收费（即进行一次图像配准即进行一次收费），对于工件图片较多的工业质检采用此类方法成本太高。2、模板匹配（如基于灰度图像的配准算法），然而由于工业生产中，工业相机光源并不是一直稳定，因此此类方法的配准率并不高。3、基于GAN（GenerativeAdversarialNetworks，生成对抗网络）网络的配准，在图像匹配之前，工程师需要花费很多时间对GAN网络进行训练，并且对于相同工件的不同光学面，都需要训练不同的模型，此方法的时间成本和人力成本很高。
技术实现思路
为解决上述技术问题，本专利技术的第一个目的在于提出一种工业检测中的检测方法，该检测方法根据配准后的图像进行检测，可以显著提高检测效果，且在进行图像配准时采用卷积神经网络，不再依赖商业用途的算子，可大大降低软件成本，另外，该网络不仅鲁棒性、配准率较高，且训练时间少、对CPU和GPU的资源要求较低。本专利技术的第二个目的在于提出一种工业检测中的检测装置。本专利技术的第三个目的在于提出一种非临时性计算机可读存储介质。本专利技术采用的技术方案如下：本专利技术第一方面的实施例提出了一种工业检测中的检测方法，包括以下步骤：获取待检测的工件图片并筛除模糊图像；将筛除模糊图像后的工件图片进行缩放和高斯滤波处理；将进行缩放和高斯滤波处理后的工件图片作为输入送入第一卷积神经网络，以获取工件图片的实例分割图；将所述工件图片的实例分割图作为输入送入第二卷积神经网络，以获取将工件图片的实例分割图变换到基准实例分割图的单应性矩阵H；根据所述单应性矩阵H对相应的工件图片进行单应性变换，以获取相应的配准图像；根据所述配准图像进行图像检测。本专利技术上述提出的工业检测中的检测方法还可以具有如下附加技术特征：根据本专利技术的一个实施例，采用以下方式训练所述第一卷积神经网络：对工件图片进行特征点位的标注以获取工件图片的实例分割图，同时，对所述工件图片进行缩放和高斯滤波处理；将进行缩放和高斯滤波处理后的所述工件图片作为输入送入所述第一卷积神经网络，并将所述工件图片的实例分割图作为标签送入所述第一卷积神经网络，以对所述第一卷积神经网络进行监督训练。根据本专利技术的一个实施例，采用以下方式训练所述第二卷积神经网络：对标准图片进行特征点位的标注以获取基准实例分割图；将所述工件图片的实例分割图和所述基准实例分割图输入homography算子，以获取工件图片和标准图片的单应性矩阵；将所述工件图片的实例分割图作为输入送入所述第二卷积神经网络，并将所述单应性矩阵作为标签送入所述第二卷积神经网络，以对所述第二卷积神经网络进行监督训练。根据本专利技术的一个实施例，利用LoG算子筛除所述待检测的工件图片中的模糊图像。本专利技术第二方面的实施例提出了一种工业检测中的检测装置，包括：筛除模块，所述筛除模块用于获取待检测的工件图片并筛除模糊图像；处理模块，所述处理模块用于将筛除模糊图像后的工件图片进行缩放和高斯滤波处理；第一获取模块，所述第一获取模块用于将进行缩放和高斯滤波处理后的工件图片作为输入送入第一卷积神经网络，以获取工件图片的实例分割图；第二获取模块，所述第二获取模块用于将所述工件图片的实例分割图作为输入送入第二卷积神经网络，以获取将工件图片的实例分割图变换到基准实例分割图的单应性矩阵H；变换模块，所述变换模块用于根据所述单应性矩阵H对相应的工件图片进行单应性变换，以获取相应的配准图像；检测模块，所述检测模块用于根据所述配准图像进行图像检测。本专利技术上述提出的工业检测中的检测装置还可以具有如下附加技术特征：根据本专利技术的一个实施例，采用以下方式训练所述第一卷积神经网络：对工件图片进行特征点位的标注以获取工件图片的实例分割图，同时，对所述工件图片进行缩放和高斯滤波处理；将进行缩放和高斯滤波处理后的所述工件图片作为输入送入所述第一卷积神经网络，并将所述工件图片的实例分割图作为标签送入所述第一卷积神经网络，以对所述第一卷积神经网络进行监督训练。根据本专利技术的一个实施例，采用以下方式训练所述第二卷积神经网络：对标准图片进行特征点位的标注以获取基准实例分割图；将所述工件图片的实例分割图和所述基准实例分割图输入homography算子，以获取工件图片和标准图片的单应性矩阵；将所述工件图片的实例分割图作为输入送入所述第二卷积神经网络，并将所述单应性矩阵作为标签送入所述第二卷积神经网络，以对所述第二卷积神经网络进行监督训练。根据本专利技术的一个实施例，利用LoG算子筛除所述待检测的工件图片中的模糊图像。本专利技术的有益效果：本专利技术根据配准后的图像进行检测，可以显著提高检测效果，且在进行图像配准时采用卷积神经网络，不再依赖商业用途的算子，可大大降低软件成本，另外，该网络不仅鲁棒性、配准率较高，且训练时间少、对CPU和GPU的资源要求较低。附图说明图1是根据本专利技术一个实施例的工业检测中的检测方法的流程图；图2是根据本专利技术一个实施例的工业检测中的检测方法的原理图；图3是根据本专利技术一个实施例的第一卷积神经网络的训练过程原理图；图4是根据本专利技术一个实施例的第二卷积神经网络的训练过程原理图；图5是根据本专利技术一个实施例的工业检测中的检测装置的方框示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1是根据本专利技术一个实施例的工业检测中的检测方法的流程图。如图1所示，该方法包括以下步骤：S1，获取待检测的工件图片并筛除模糊图像。根据本专利技术的一个实施例，可以利用LoG算子筛除待检测的工件图片中的模糊图像。具体地，先筛除模糊图像，可以提高后续模型（卷积神经网络）的本文档来自技高网...

【技术保护点】
1.一种工业检测中的检测方法，其特征在于，包括以下步骤：/n获取待检测的工件图片并筛除模糊图像；/n将筛除模糊图像后的工件图片进行缩放和高斯滤波处理；/n将进行缩放和高斯滤波处理后的工件图片作为输入送入第一卷积神经网络，以获取工件图片的实例分割图；/n将所述工件图片的实例分割图作为输入送入第二卷积神经网络，以获取将工件图片的实例分割图变换到基准实例分割图的单应性矩阵H；/n根据所述单应性矩阵H对相应的工件图片进行单应性变换，以获取相应的配准图像；/n根据所述配准图像进行图像检测。/n

【技术特征摘要】
1.一种工业检测中的检测方法，其特征在于，包括以下步骤：
获取待检测的工件图片并筛除模糊图像；
将筛除模糊图像后的工件图片进行缩放和高斯滤波处理；
将进行缩放和高斯滤波处理后的工件图片作为输入送入第一卷积神经网络，以获取工件图片的实例分割图；
将所述工件图片的实例分割图作为输入送入第二卷积神经网络，以获取将工件图片的实例分割图变换到基准实例分割图的单应性矩阵H；
根据所述单应性矩阵H对相应的工件图片进行单应性变换，以获取相应的配准图像；
根据所述配准图像进行图像检测。


2.根据权利要求1所述的工业检测中的检测方法，其特征在于，采用以下方式训练所述第一卷积神经网络：
对工件图片进行特征点位的标注以获取工件图片的实例分割图，同时，对所述工件图片进行缩放和高斯滤波处理；
将进行缩放和高斯滤波处理后的所述工件图片作为输入送入所述第一卷积神经网络，并将所述工件图片的实例分割图作为标签送入所述第一卷积神经网络，以对所述第一卷积神经网络进行监督训练。


3.根据权利要求2所述的工业检测中的检测方法，其特征在于，采用以下方式训练所述第二卷积神经网络：
对标准图片进行特征点位的标注以获取基准实例分割图；
将所述工件图片的实例分割图和所述基准实例分割图输入homography算子，以获取工件图片和标准图片的单应性矩阵；
将所述工件图片的实例分割图作为输入送入所述第二卷积神经网络，并将所述单应性矩阵作为标签送入所述第二卷积神经网络，以对所述第二卷积神经网络进行监督训练。


4.根据权利要求1所述的工业检测中的检测方法，其特征在于，利用LoG算子筛除所述待检测的工件图片中的模糊图像。


5.一种工业检测中的检测装置，其特征在于，包括：
筛除模块，所述筛除模块用于获取待检测的工件图片并筛除模糊图像；
处理模块，所述处理模块用于将筛...

【专利技术属性】
技术研发人员：杭天欣，郭骏，潘正颐，侯大为，马元巍，
申请(专利权)人：常州微亿智造科技有限公司，
类型：发明
国别省市：江苏;32