【技术实现步骤摘要】
本专利技术涉及缺陷检测，具体涉及一种形变缺陷的检测方法及装置。
技术介绍
1、传统缺陷检测技术如自动光学检测通过结合电子影像以及算法对电子影像判断输出缺陷的检测结果。
2、但是自动光学检测的检测覆盖范围较小，检测目标大多数只能是明显且标准易识别的缺陷，其余缺陷尤其是低对比度的形变缺陷，由于对比度低会导致缺陷特征不明显，而缺陷形变会导致缺陷难以确认识别，从而容易存在误检的问题，因此在现有技术中针对形变缺陷只能人工检测，且检测标准容易因人而异；另外，算法的可移植能力差，针对不同产品需要重新调试算法进行缺陷的检测，此外，自动光学检测设备的维护成本高，无法应对突发的新缺陷。
3、综上所述，现有技术中亟需一种提高低对比度形变缺陷检测准确率的方法。
技术实现思路
1、本专利技术提供一种形变缺陷的检测方法及装置，用以解决现有技术中对低对比度形变缺陷的检测准确率低的问题。
2、为了解决上述技术问题，本专利技术提供一种形变缺陷的检测方法，应用于工业缺陷检测，该方法包括：
3、获取具有形变缺陷图像的目标图片；
4、将所述目标图片输入预设的形变缺陷检测模型中；
5、通过所述形变缺陷检测模型输出所述形变缺陷图像在所述目标图片中的目标位置和/或所述形变缺陷图像对应的目标缺陷类型；
6、其中，所述目标位置及所述目标缺陷类型通过所述形变缺陷检测模型输出的预测框显示，所述目标缺陷类型为预设的至少一个缺陷类型中的一个，所述形变缺陷检
7、可选地，在所述将所述目标图片输入预设的形变缺陷检测模型中之前，还包括：
8、将样本图像输入至预设的深度学习模型中进行训练，其中，所述样本图像具有形变缺陷图像，所述样本图像中通过标注框标注有所述形变缺陷图像在所述样本图像中的位置以及所述形变缺陷图像对应的缺陷类型；
9、更新所述深度学习模型的权重，直至所述深度学习模型的损失函数输出最小值；
10、确定使得所述损失函数输出最小值的目标权重；
11、将所述目标权重对应的所述深度学习模型确定为形变缺陷检测模型。
12、可选地，所述将样本图像输入至预设的深度学习模型中进行训练，包括：
13、将样本图像输入复合主干网络，通过所述复合主干网络提取所述样本图像的图像特征；
14、将所述图像特征输入特征金字塔网络，通过所述特征金字塔网络提取所述图像特征不同尺度的特征表示；
15、将所述图像特征不同尺度的特征表示输入检测头部，通过所述检测头部输出的所述预测框输出所预测的所述形变缺陷图像在所述样本图像中的位置以及所述形变缺陷图像对应的缺陷类型。
16、可选地，在所述更新所述深度学习模型的权重，直至所述深度学习模型的损失函数输出最小值之前，还包括：
17、通过第一预设公式确定所述形变约束；
18、所述第一预设公式为：
19、
20、其中，所述β为形变约束，所述w为所述预测框的第一宽度，所述h为所述预测框的第一高度，所述wgt为所述标注框的第二宽度，所述hgt为所述标注框的第二高度。
21、可选地，所述通过复合主干网络提取所述样本图像的图像特征，包括：
22、通过主骨干网络提取大于第一预设尺度的第一图像特征；
23、通过辅助骨干网络提取小于第二预设尺度的第二图像特征。
24、可选地，所述通过辅助骨干网络提取小于第二预设尺度的图像特征，包括：
25、通过至少一个shufflenet模块轻量化网络提取小于第二预设尺度的图像特征。
26、可选地，在所述通过辅助骨干网络提取小于第二预设尺度的图像特征之后，还包括：
27、通过增强感受野模块融合所述第一图像特征和所述第二图像特征，得到所述样本图像的图像特征。
28、可选地，在所述将样本图像输入所述复合主干网络之前，还包括：
29、针对所述复合主干网络的每个卷积层，融合卷积通道注意力增强机制。
30、可选地，在所述将所述目标图片输入预设的形变缺陷检测模型中之前，还包括：
31、通过直方图均衡化算法增强所述目标图片的对比度；
32、在所述将所述图像特征不同尺度的特征表示输入所述检测头部之前，还包括：
33、通过k-means算法更新所述检测头部的锚框，其中，所述预测框为所述锚框中的一者。
34、第二方面，本专利技术提供一种形变缺陷的检测装置，该装置包括：
35、获取模块，用于获取具有形变缺陷图像的目标图片；
36、输入模块，用于将所述目标图片输入预设的形变缺陷检测模型中；
37、输出模块，用于通过所述形变缺陷检测模型输出所述形变缺陷图像在所述目标图片中的目标位置和/或所述形变缺陷图像对应的目标缺陷类型；
38、其中，所述目标位置及所述目标缺陷类型通过所述形变缺陷检测模型输出的预测框显示，所述目标缺陷类型为预设的至少一个缺陷类型中的一个，所述形变缺陷检测模型的损失函数包括形变约束，所述形变约束用于约束所述预测框的形变。
39、与现有技术相比，本专利技术提供的一种形变缺陷的检测方法，具有以下有益效果：
40、通过在形变缺陷检测模型的损失函数中添加用于约束预测框形变的约束，可以在损失函数输出较小值时约束预测框的形变，可以理解缺陷图像的形变会导致用于预测缺陷图像的预测框的形变，而预测框的形变会导致预测框对形变缺陷图像的位置预测不准确，因此通过约束预测框的形变可以提高对低对比度形变缺陷的检测的准确性，从而解决现有技术中对低对比度形变缺陷的检测准确率低的问题。
本文档来自技高网...【技术保护点】
1.一种形变缺陷的检测方法，用于工业缺陷检测，其特征在于，包括：
2.根据权利要求1所述的形变缺陷的检测方法，其特征在于，在所述将所述目标图片输入预设的形变缺陷检测模型中之前，还包括：
3.根据权利要求2所述的形变缺陷的检测方法，其特征在于，所述将样本图像输入至预设的深度学习模型中进行训练，包括：
4.根据权利要求2所述的形变缺陷的检测方法，其特征在于，在所述更新所述深度学习模型的权重，直至所述深度学习模型的损失函数输出最小值之前，还包括：
5.根据权利要求3所述的形变缺陷的检测方法，其特征在于，所述通过复合主干网络提取所述样本图像的图像特征，包括：
6.根据权利要求5所述的形变缺陷的检测方法，其特征在于，所述通过辅助骨干网络提取小于第二预设尺度的图像特征，包括：
7.根据权利要求5所述的形变缺陷的检测方法，其特征在于，在所述通过辅助骨干网络提取小于第二预设尺度的图像特征之后，还包括：
8.根据权利要求5所述的形变缺陷的检测方法，其特征在于，在所述将样本图像输入所述复合主干网络之前，还包括：>
9.根据权利要求3所述的形变缺陷的检测方法，其特征在于，在所述将所述目标图片输入预设的形变缺陷检测模型中之前，还包括：
10.一种形变缺陷的检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种形变缺陷的检测方法，用于工业缺陷检测，其特征在于，包括：
2.根据权利要求1所述的形变缺陷的检测方法，其特征在于，在所述将所述目标图片输入预设的形变缺陷检测模型中之前，还包括：
3.根据权利要求2所述的形变缺陷的检测方法，其特征在于，所述将样本图像输入至预设的深度学习模型中进行训练，包括：
4.根据权利要求2所述的形变缺陷的检测方法，其特征在于，在所述更新所述深度学习模型的权重，直至所述深度学习模型的损失函数输出最小值之前，还包括：
5.根据权利要求3所述的形变缺陷的检测方法，其特征在于，所述通过复合主干网络提取所述样本图像的图像...
【专利技术属性】
技术研发人员：蔡传宝，陈高，王斌，
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。