工业产品图像的检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种工业产品图像的检测方法、装置、电子设备及存储介质，工业产品图像的检测方法，包括：获取工业产品图像样本集，并在工业产品图像样本集上添加多种缺陷特征，得到第一图像集；在第一图像集上添加多种图像噪声，得到第二图像集；从第二图像集提取低层特征和高层特征，并将低层特征进行尺寸转化后，再与高层特征融合，得到融合特征；基于融合特征，对需训练的卷积层进行训练，得到工业产品图像识别模型，并基于工业产品图像识别模型对待识别的工业产品图像进行识别，确定待识别的工业产品图像的缺陷特征。本发明专利技术提供的工业产品图像的检测方法、装置、电子设备及存储介质，可以提高训练得到的全卷积数据描述算法模型普适性。高训练得到的全卷积数据描述算法模型普适性。高训练得到的全卷积数据描述算法模型普适性。

【技术实现步骤摘要】
工业产品图像的检测方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种工业产品图像的检测方法、装置、电子设备及存储介质。

技术介绍

[0002]在生产活动中，需要对工业产品的表面缺陷进行检测，目前多数是采用人工目视法，近年来，基于机器视觉的方法逐渐兴起，开始采用机器视觉的方法对工业产品的表面进行检测，能够提高表面缺陷的检测效率，促进了工业向高质量、高效率发展。
[0003]其中，机器视觉的方法可以是选择全卷积数据描述(FullyConvolutional Data Description,FCDD)算法网络，在训练全卷积数据描述算法网络时，需要将工业产品表面图像输入至全卷积数据描述算法网络进行训练，但全卷积数据描述算法网络中工业产品表面图像的缺陷生成模式单一，且噪声种类过少，导致最后训练得到的全卷积数据描述算法模型普适性不足。

技术实现思路

[0004]本专利技术提供一种工业产品图像的检测方法、装置、电子设备及存储介质，用以解决现有技术中训练得到的全卷积数据描述算法模型普适性不足的缺陷，实现提高训练得到的全卷积数据描述算法模型普适性。
[0005]本专利技术提供的一种工业产品图像的检测方法，包括：
[0006]获取工业产品图像样本集，并在所述工业产品图像样本集上添加多种缺陷特征，得到第一图像集；
[0007]在所述第一图像集上添加多种图像噪声，得到第二图像集；
[0008]从所述第二图像集提取低层特征和高层特征，并将所述低层特征进行尺寸转化后，再与所述高层特征融合，得到融合特征；
[0009]基于所述融合特征，对需训练的卷积层进行训练，得到工业产品图像识别模型，并基于所述工业产品图像识别模型对待识别的工业产品图像进行识别，确定所述待识别的工业产品图像的缺陷特征。
[0010]根据本专利技术提供的工业产品图像的检测方法，所述在所述工业产品图像样本集上添加多种缺陷特征，得到第一图像集，包括：
[0011]随机生成线参数，并基于所述线参数，在所述工业产品图像样本集上绘画线状图形；
[0012]基于所述线状图形，在所述工业产品图像样本集上添加多种缺陷特征，得到所述第一图像集。
[0013]根据本专利技术提供的工业产品图像的检测方法，所述基于所述线状图形，在所述工业产品图像样本集上添加多种缺陷特征，得到所述第一图像集，包括：
[0014]基于张量乘积方式，利用目标图像对所述线状图形的内部进行填充，或更改所述
线状图形的明暗度，以在所述工业产品图像样本集上添加多种缺陷特征，得到所述第一图像集。
[0015]根据本专利技术提供的工业产品图像的检测方法，所述缺陷特征包括点状缺陷特征、线状缺陷特征以及块状缺陷特征。
[0016]根据本专利技术提供的工业产品图像的检测方法，所述目标噪声包括高斯噪声、椒盐噪声以及泊松噪声。
[0017]根据本专利技术提供的工业产品图像的检测方法，所述从所述第二图像集提取低层特征和高层特征，并将所述低层特征进行尺寸转化后，再与所述高层特征融合，得到融合特征，包括：
[0018]将所述第二图像集输入至预训练VGG网络模型，提取高层特征和低层特征；
[0019]将所述低层特征进行下采样处理，实现所述低层特征的尺寸变化；
[0020]将尺寸变化发生后的低层特征与所述高层特征进行拼接，得到所述融合特征。
[0021]本专利技术还提供一种工业产品图像的检测装置，包括：
[0022]第一添加模块，用于获取工业产品图像样本集，并在所述工业产品图像样本集上添加多种缺陷特征，得到第一图像集；
[0023]第二添加模块，用于在所述第一图像集上添加多种图像噪声，得到第二图像集；
[0024]融合模块，用于从所述第二图像集提取低层特征和高层特征，并将所述低层特征进行尺寸转化后，再与所述高层特征融合，得到融合特征；
[0025]检测模块，用于基于所述融合特征，对需训练的卷积层进行训练，得到工业产品图像识别模型，并基于所述工业产品图像识别模型对待识别的工业产品图像进行识别，确定所述待识别的工业产品图像的缺陷特征。
[0026]本专利技术还提供一种电子设备，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任一种所述工业产品图像的检测方法的步骤。
[0027]本专利技术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任一种所述工业产品图像的检测方法的步骤。
[0028]本专利技术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任一种所述工业产品图像的检测方法的步骤。
[0029]本专利技术提供的工业产品图像的检测方法、装置、电子设备及存储介质，通过先在工业产品图像样本集上添加多种不同的缺陷特征和噪声，再进行高层特征和低层特征的融合，由于低层特征的感受野较小，分辨率更高，细节信息丰富，但由于经过的卷积层较少，低层特征所包含的噪声更多、语义信息表征能力较差；高层特征对语义信息的表征能力较强，但由于其分辨率较低，对细节信息的感知能力较弱，如果仅使用高层信息，可能会忽略掉输入图像中的很多细节，对细小缺陷的影响较大。因此，可通过将高层特征和低层特征结合，可以提升训练得到的工业产品图像识别模型的异常检测性能，即能适应多种不同缺陷特征和噪声的检测。
[0030]因此，本专利技术提供一种工业产品图像的检测方法、装置、电子设备及存储介质，可以解决现有技术中训练得到的全卷积数据描述算法模型普适性不足的缺陷，实现提高训练得到的全卷积数据描述算法模型普适性。
附图说明
[0031]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1是本专利技术提供的工业产品图像的检测方法的流程示意图；
[0033]图2是本专利技术提供的网络可视化过程示意图；
[0034]图3是本专利技术提供的多尺度特征融合示意图；
[0035]图4是本专利技术提供的缺陷生成模式示意图；
[0036]图5是本专利技术提供的工业产品图像的检测装置的结构示意图；
[0037]图6是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
[0039]下面结合图1
‑
图6描述本专利技术的工业产品图像的检测方法、装本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业产品图像的检测方法，其特征在于，包括：获取工业产品图像样本集，并在所述工业产品图像样本集上添加多种缺陷特征，得到第一图像集；在所述第一图像集上添加多种图像噪声，得到第二图像集；从所述第二图像集提取低层特征和高层特征，并将所述低层特征进行尺寸转化后，再与所述高层特征融合，得到融合特征；基于所述融合特征，对需训练的卷积层进行训练，得到工业产品图像识别模型，并基于所述工业产品图像识别模型对待识别的工业产品图像进行识别，确定所述待识别的工业产品图像的缺陷特征。2.根据权利要求1所述的工业产品图像的检测方法，其特征在于，所述在所述工业产品图像样本集上添加多种缺陷特征，得到第一图像集，包括：随机生成线参数，并基于所述线参数，在所述工业产品图像样本集上绘画线状图形；基于所述线状图形，在所述工业产品图像样本集上添加多种缺陷特征，得到所述第一图像集。3.根据权利要求2所述的工业产品图像的检测方法，其特征在于，所述基于所述线状图形，在所述工业产品图像样本集上添加多种缺陷特征，得到所述第一图像集，包括：基于张量乘积方式，利用目标图像对所述线状图形的内部进行填充，或更改所述线状图形的明暗度，以在所述工业产品图像样本集上添加多种缺陷特征，得到所述第一图像集。4.根据权利要求1所述的工业产品图像的检测方法，其特征在于，所述缺陷特征包括点状缺陷特征、线状缺陷特征以及块状缺陷特征。5.根据权利要求1所述的工业产品图像的检测方法，其特征在于，所述目标噪声包括高斯噪声、椒盐噪声以及泊松噪声。6.根据权利要求1
‑
5任一项所述的工业产品图像的检测方法...

【专利技术属性】
技术研发人员：刘浩天，吕承侃，商秀芹，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：