一种基于图像的裂纹检测方法、装置、设备及存储介质制造方法及图纸

本申请提供了一种基于图像的裂纹检测方法、装置、电子设备及存储介质，该方法包括：将待检测图像作为目标输入数据，将第一下采样层作为目标下采样层，将目标输入数据输入至目标下采样层进行编码处理，得到目标概率图；根据目标概率图，生成目标掩码图像；若目标掩码图像中的任一裂纹区域小于第一预设尺寸，则对目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，下一下采样层作为目标下采样层，返回将目标输入数据输入至目标下采样层进行编码处理的步骤；将最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到裂纹区域位置信息。这样，可以提高整个裂纹检测模型对微裂纹的识别准确性。确性。确性。

【技术实现步骤摘要】
一种基于图像的裂纹检测方法、装置、设备及存储介质


[0001]本申请涉及图像识别
，特别是涉及一种基于图像的裂纹检测方法、装置、设备及存储介质。

技术介绍

[0002]一些场景中，需要对物体上的裂纹进行检测，以实现对物体的筛选。举例而言，在光伏(PV)产业中，硅片被用于制造高效硅太阳能电池，硅片的厚度极薄，很容易形成裂纹，这些裂纹在受到外力作用时会造成硅片开裂或破碎，进而导致产量下降和生产停工，造成较大的损失。
[0003]现有技术中，可以采用U
‑
Net(U形网络)模型对物体的光致发光图像进行裂纹检测和分类，其中，U
‑
Net模型的裂纹检测过程可以包括如下步骤：首先，利用多层卷积网络依次对光致发光图像进行下采样，提取出一层又一层的特征信息，然后，再对这一层又一层的特征信息进行上采样，最后得出一个每个像素点对应其分类结果的掩码图像，这样，根据掩码图像，就可以确定该物体上是否有裂纹。
[0004]但是，在U
‑
Net模型中，光致发光图像需要经过多层卷积网络的下采样，每一次下采样都是对光致发光图像的压缩和降维，在该过程中，会损失原始光致发光图像中的一些细微的特征，这样，导致物体上较为细微的裂纹容易被U
‑
Net模型忽略，使得基于U
‑
Net模型的裂纹检测方法对于细微裂纹的效果较差。
[0005]另外，现有技术还可以采用VGG
‑
16(visual geometry group
‑
16，16层超分辨率测试序列)网络对物体的光致发光图像进行裂纹检测和分类，在VGG
‑
16网络中，包括13个卷积层和3个全链接层，将物体的光致发光图像输入至VGG
‑
16网络进行裂纹识别，根据VGG
‑
16网络对光致发光图像的分类结果，可以判定该物体上是否有裂纹。
[0006]但是，经过对大量数据集的测试，上述采用VGG
‑
16网络的裂纹检测方法灵敏度和精确度仍然具有较大的提升空间，而且，VGG
‑
16网络中的参数较多，训练过程较为复杂，需要耗费较长的时间。
[0007]因此，目前亟需一种实现方式较为简单，且灵敏度和精确度更高的裂纹检测方法。

技术实现思路

[0008]为解决上述技术问题，本申请示出了一种基于图像的裂纹检测方法、装置、设备及存储介质。
[0009]第一方面，本申请示出了一种基于图像的裂纹检测方法，所述方法包括：
[0010]获取待检测图像；
[0011]将所述待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的第一下采样层作为目标下采样层，将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图，所述目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；
[0012]根据所述目标概率图，生成目标掩码图像，并判断所述目标掩码图像中的裂纹区域是否小于第一预设尺寸；
[0013]若任一裂纹区域小于所述第一预设尺寸，则对所述目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理的步骤，其中，所述目标区域为与所述任一裂纹区域所在位置相匹配的第二预设尺寸的区域；
[0014]将所述裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到所述待检测图像的裂纹区域的位置信息。
[0015]可选的，所述方法还包括：
[0016]若所述裂纹区域均不小于所述第一预设尺寸，则将所述目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图的步骤。
[0017]可选的，所述方法还包括：
[0018]获取训练数据集，所述训练数据集中包括多个训练图像及每个训练图像对应的裂纹区域的真实位置信息；
[0019]将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息；
[0020]根据预设损失函数，对所述真实位置信息及所述预设深度学习模型中的每一层上采样层输出的预测位置信息进行计算，得到该上采样层的损失值；
[0021]对每一层上采样层的损失值进行加权计算，得到所述预设深度学习模型的总损失值；
[0022]根据所述总损失值，对所述预设深度学习模型进行迭代调整，得到裂纹检测模型。
[0023]可选的，所述将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息，包括：
[0024]对所述训练图像进行图像增强处理；
[0025]将处理后的训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息。
[0026]可选的，所述图像增强处理包括以下任意一项或多项：
[0027]对所述训练图像进行旋转、移位和/或翻转；
[0028]对所述训练图像进行缩放；
[0029]对所述训练图像进行色彩空间转换；
[0030]对所述训练图像进行弹性变换。
[0031]第二方面，本申请示出了一种基于图像的裂纹检测装置，所述装置包括：
[0032]获取模块，用于获取待检测图像；
[0033]下采样模块，用于将所述待检测图像作为目标输入数据，将预先训练好的裂纹检
测模型的第一下采样层作为目标下采样层，将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图，所述目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；
[0034]判断模块，用于根据所述目标概率图，生成目标掩码图像，并判断所述目标掩码图像中的裂纹区域是否小于第一预设尺寸；
[0035]修改模块，用于若任一裂纹区域小于所述第一预设尺寸，则对所述目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理的步骤，其中，所述目标区域为与所述任一裂纹区域所在位置相匹配的第二预设尺寸的区域；
[0036]上采样模块，用于将所述裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到所述待检测图像的裂纹区域的位置信息。
[0037]可选的，所述判断模块，还用于：
[0038]若所述裂纹区域均不小于所述第一预设尺寸，则将所述目标概率图作为新的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的裂纹检测方法，其特征在于，所述方法包括：获取待检测图像；将所述待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的第一下采样层作为目标下采样层，将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图，所述目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；根据所述目标概率图，生成目标掩码图像，并判断所述目标掩码图像中的裂纹区域是否小于第一预设尺寸；若任一裂纹区域小于所述第一预设尺寸，则对所述目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理的步骤，其中，所述目标区域为与所述任一裂纹区域所在位置相匹配的第二预设尺寸的区域；将所述裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到所述待检测图像的裂纹区域的位置信息。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述裂纹区域均不小于所述第一预设尺寸，则将所述目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图的步骤。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取训练数据集，所述训练数据集中包括多个训练图像及每个训练图像对应的裂纹区域的真实位置信息；将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息；根据预设损失函数，对所述真实位置信息及所述预设深度学习模型中的每一层上采样层输出的预测位置信息进行计算，得到该上采样层的损失值；对每一层上采样层的损失值进行加权计算，得到所述预设深度学习模型的总损失值；根据所述总损失值，对所述预设深度学习模型进行迭代调整，得到裂纹检测模型。4.根据权利要求3所述的方法，其特征在于，所述将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息，包括：对所述训练图像进行图像增强处理；将处理后的训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息。5.根据权利要求4所述的方法，其特征在于，所述图像增强处理包括以下任意一项或多项：对所述训练图像进行旋转、移位和/或翻转；对所述训练图像进行缩放；对所述训练图像进行色彩空间转换；对所述训练图像进行弹性变换。
6.一种基于图像的裂纹检测装置，其特征在于，所述装置包括：获取模块，用于获取待检测图像；下采样模块，用于将所述待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：上海联麓半导体技术有限公司，
类型：发明
国别省市：