本申请公开了一种表面缺陷检测模型训练方法，应用于智能制造技术领域。本申请提供的方法包括：获取目标零部件的正常图像，输入所述正常图像至所述表面缺陷检测模型包含的扩散生成模型，所述扩散生成模型输出所述正常图像对应的扩散图像；输入所述正常图像和所述扩散图像至预设的判别器，输出所述扩散图像被判别为无缺陷的图像的第一概率；使用预设损失函数计算所述第一概率对应的损失值，根据所述损失值优化所述表面缺陷检测模型；重复前述模型训练步骤，直至所述损失函数收敛，得到训练完成的表面缺陷检测模型。不仅扩充了用于模型训练的样本数据的数量，而且提高了表面缺陷检测模型在质检过程中的准确率。模型在质检过程中的准确率。模型在质检过程中的准确率。
【技术实现步骤摘要】
表面缺陷检测模型训练方法、表面缺陷检测方法及系统
[0001]本申请涉及智能制造
，尤其涉及一种表面缺陷检测模型训练方法、表面缺陷检测方法及系统。
技术介绍
[0002]随着数字化转型的推进，在制造业产品生产过程中，产品质检将涉及到比以往更多的数量、种类零部件的识别、检测等操作，相应的产品质检对检测准确性、灵活性、成本管控等方面有严苛需求。然而目前大部分制造企业主要还是依靠传统人工目检进行外观质检，人工目检存在以下局限性：1、人工目检存在质检标准的个体执行差异，导致之间标准的执行结果有差别；2、人工质检也存在人力成本高、误操作、质检效率低等问题。3、人工目检对于部分工作环境(例如温度、光线、操作技术等)、庞大数据、结构复杂零件等质检场景无法适用。
[0003]目前，一部分制造企业也采用了基于人工智能的自动化光学检测方法，以部分或完全取代人工检测。虽然该基于人工智能的自动化光学检测方法已经在部分工业数据上表现出较高的性能，但是，在实际的应用过程中有表面缺陷的零部件的数量毕竟是较少数量的，进而能采集到有表面缺陷的零部件的图像也是较少数量的，最终得到的可用于人工智能模型进行训练的样本数据量较少，导致在用于零部件表面缺陷检测的人工智能模型在应用之前并未被充分训练，一方面导致模型的训练过程无法完成，另一方面导致训练完的模型用于零部件表面缺陷检测时的准确率并不高。
技术实现思路
[0004]本申请实施例提供一种表面缺陷检测模型训练方法、表面缺陷检测方法、表面缺陷检测模型训练系统、表面缺陷检测系统、计算机设备及存储介质，以解决现有技术中用于零部件表面缺陷检测的人工智能模型在应用过程中检测准确率不高的问题。
[0005]本申请的第一方面，提供一种表面缺陷检测模型训练方法，包括：
[0006]获取目标零部件的正常图像，输入所述正常图像至所述表面缺陷检测模型包含的扩散生成模型，所述扩散生成模型输出所述正常图像对应的扩散图像；
[0007]输入所述正常图像和所述扩散图像至预设的判别器，输出所述扩散图像被判别为无缺陷的图像的第一概率；
[0008]使用预设损失函数计算所述第一概率对应的损失值，根据所述损失值优化所述表面缺陷检测模型；
[0009]重复前述模型训练步骤，直至所述损失函数收敛，得到训练完成的表面缺陷检测模型。
[0010]本申请的第二方面，提供一种表面缺陷检测方法，包括：
[0011]获取待检测零部件的表面图像作为待检测图像；
[0012]输入所述待检测图像至表面缺陷检测模型，输出所述待检测图像对应的重建图
像，所述表面缺陷检测模型为使用上述表面缺陷检测模型训练方法进行训练得到的表面缺陷检测模型；
[0013]对所述待检测图像和所述重建图像进行阈值分割处理，得到分割结果图像，所述分割结果图像中包含或不包含所述待检测图像对应的缺陷区域；
[0014]根据所述分割结果图像判断所述待检测零部件的表面是否存在缺陷，以及所述待检测零部件的表面缺陷区域。
[0015]本申请的第三方面，提供一种表面缺陷检测模型训练系统，包括：
[0016]图像扩散模块，用于获取目标零部件的正常图像，输入所述正常图像至所述表面缺陷检测模型包含的扩散生成模型，所述扩散生成模型输出所述正常图像对应的扩散图像；
[0017]判别器模块，用于输入所述正常图像和所述扩散图像至预设的判别器，输出所述扩散图像被判别为无缺陷的图像的第一概率；
[0018]模型优化模块，用于使用预设损失函数计算所述第一概率对应的损失值，根据所述损失值优化所述表面缺陷检测模型；
[0019]模型训练模块，用于重复前述模型训练步骤，直至所述损失函数收敛，得到训练完成的表面缺陷检测模型。
[0020]本申请的第四方面，提供一种表面缺陷检测系统，包括：
[0021]图像获取模块，用于获取待检测零部件的表面图像作为待检测图像；
[0022]重建图像模块，用于输入所述待检测图像至表面缺陷检测模型，输出所述待检测图像对应的重建图像，所述表面缺陷检测模型为使用上述表面缺陷检测模型训练方法进行训练得到的表面缺陷检测模型；
[0023]阈值分割模块，用于对所述待检测图像和所述重建图像进行阈值分割处理，得到分割结果图像，所述分割结果图像中包含或不包含所述待检测图像对应的缺陷区域；
[0024]缺陷检测结果模块，用于根据所述分割结果图像判断所述待检测零部件的表面是否存在缺陷，以及所述待检测零部件的表面缺陷区域。
[0025]本申请的第五方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述表面缺陷检测模型训练方法的步骤，和/或上述表面缺陷检测方法的步骤。
[0026]本申请的第六方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述计算机程序被处理器执行时实现上述表面缺陷检测模型训练方法的步骤，和/或上述表面缺陷检测方法的步骤。
[0027]上述表面缺陷检测模型训练方法、表面缺陷检测方法、表面缺陷检测模型训练系统、表面缺陷检测系统、计算机设备及存储介质，通过获取目标零部件的正常图像，输入所述正常图像至所述表面缺陷检测模型包含的扩散生成模型，所述扩散生成模型输出所述正常图像对应的扩散图像；输入所述正常图像和所述扩散图像至预设的判别器，输出所述扩散图像被判别为无缺陷的图像的第一概率；使用预设损失函数计算所述第一概率对应的损失值，根据所述损失值优化所述表面缺陷检测模型；重复前述模型训练步骤，直至所述损失函数收敛，得到训练完成的表面缺陷检测模型。不仅扩充了用于模型训练的样本数据的数量，而且提高了表面缺陷检测模型在质检过程中的准确率。
附图说明
[0028]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]图1是本申请一实施例中表面缺陷检测模型训练方法的一应用环境示意图；
[0030]图2是本申请一实施例中表面缺陷检测模型训练方法的一流程图；
[0031]图3是本申请一实施例中表面缺陷检测方法的一流程图；
[0032]图4是本申请一实施例中表面缺陷检测模型训练系统的结构示意图；
[0033]图5是本申请一实施例中表面缺陷检测系统的结构示意图；
[0034]图6是本申请一实施例中计算机设备的一示意图。
具体实施方式
[0035]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种表面缺陷检测模型训练方法，其特征在于，所述方法包括：获取目标零部件的正常图像，输入所述正常图像至所述表面缺陷检测模型包含的扩散生成模型，所述扩散生成模型输出所述正常图像对应的扩散图像；输入所述正常图像和所述扩散图像至预设的判别器，输出所述扩散图像被判别为无缺陷的图像的第一概率；使用预设损失函数计算所述第一概率对应的损失值，根据所述损失值优化所述表面缺陷检测模型；重复前述模型训练步骤，直至所述损失函数收敛，得到训练完成的表面缺陷检测模型。2.根据权利要求1所述的表面缺陷检测模型训练方法，其特征在于，所述输入所述正常图像至所述表面缺陷检测模型包含的扩散生成模型，所述扩散生成模型输出所述正常图像对应的扩散图像的步骤包括：输入所述正常图像至所述扩散生成模型的编码器，使用所述编码器对所述正常图像进行特征提取，以得到正常图像特征向量；输入所述正常图像特征向量至所述扩散生成模型的解码器，使用所述解码器对所述正常图像特征向量进行重构解码，以得到所述正常图像对应的所述扩散图像。3.根据权利要求1所述的表面缺陷检测模型训练方法，其特征在于，所述输入所述正常图像和所述扩散图像至预设的判别器，输出所述扩散图像被判别为无缺陷的图像的第一概率的步骤包括：通过所述判别器中的卷积层和激活函数分别提取所述正常图像和所述扩散图像的图像特征，分别对应得到正常图像特征图和扩散图像特征图；批量归一化处理所述正常图像特征图和所述扩散图像特征图；输入被批量归一化后的所述正常图像特征图和所述扩散图像特征图至所述判别器的池化层，分别对应得到正常图像池化特征图和扩散图像池化特征图；输入所述正常图像池化特征图和所述扩散图像池化特征图至所述判别器的全连接层，输出所述扩散图像被判别为无缺陷的图像的第一概率。4.根据权利要求1所述的表面缺陷检测模型训练方法，其特征在于，所述输入所述正常图像至所述表面缺陷检测模型包含的扩散生成模型的步骤之前，还包括：获取目标零部件的正常图像，输入所述正常图像至Diffusion生成模型，输出对应的生成样本图像；设置所述生成样本图像为所述目标零部件对应的正常图像。5.一种表面缺陷检测方法，其特征在于，所述方法包括：获取待检测零部件的表面图像作为待检测图像；输入所述待检测图像至表面缺陷检测模型，输出所述待检测图像对应的重建图像，所述表面缺陷检测模型为使用权利要求1至4中任一项所述的表面缺陷检测模型训练方法进行训练得到的表面缺陷检测模型；对所述待检测图像和所述重建图像进行阈值分...
【专利技术属性】
技术研发人员：蔡传宝，唐凤英，陈高，
申请(专利权)人：深圳市长盈精密技术股份有限公司，
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。