【技术实现步骤摘要】
本专利技术属于工控，涉及产线检测技术，尤其涉及产品缺陷分类大模型训练以及基于大模型的缺陷检测方法。
技术介绍
1、工业产品在生产线上需要进行多步拼接及流转，因此也就容易因操作不当留下缺陷。比如目前生产线上的外观钣金可能存在以下缺陷：(1)安装过程中因操作工具不当在金属表面留下划痕 ；(2)受环境或其他因素影响在产品表面留下脏污 ；(3)产品较大较重，流转的过程中可能产生磕碰。由于产线每日生产产品较多，人工检测缺陷存在视觉疲劳造成缺陷漏检，产品记录也需要进行人工记录操作，多次操作加大了操作人员负担。
2、传统机器算法解决此类问题的时候对背景环境和型号变化比较敏感，可能轻微变动导致算法失效(如cn117788467a，一种钛金属板材缺陷图像分类方法)，该方法需要通过阈值计算筛选出最优解，不过如果产品型号，颜色，外观，背景变化较严重的时候，算法稳定性可能较差。
3、如cn117132581a，基于yolo网络的印刷电路板微小缺陷检测方法中所述，针对目标缺陷微小切背景复杂的检测对象，漏检和错检问题严重，而且深度解决此类问题的时候存在训练样本需求量不足情况，实际工业生产中缺陷样本较少，而且形状各异，导致训练数据先验知识不足，模型学习的时候无法有效提取特征，模型迭代慢。
技术实现思路
1、本专利技术的目的是克服现有技术的缺陷，对工业产品外观缺陷进行检测，提高生产效率和产控质量，减少操作人工误差，支持模型迭代，实现自动化生产。
2、为实现本专利技术的目的，本专
3、一种工业产品缺陷分类大模型训练方法，包括以下步骤；
4、s1、获取产品的灰度图像;
5、s2、摒除灰度图像的背景区域，提取产品主体区域图像;
6、s3、对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，根据灰度均值和灰度偏差值对产品主体区域图像进行增益处理以增强图像对比度；
7、s4、对图像进行傅里叶分析以将图像的空间域信息转换到频域信息，创建高斯滤波器，对图像的频域信息进行分析筛选，筛选出图像的高频信息；
8、s5、将图像的高频信息转化成空间域信息，定位出高频信息对应的所有目标区域并获取所有目标区域面积值，通过与预设的面积阈值比较，筛选出比面积阈值大的目标区域；生成预选框，从图像中裁剪出包含目标区域的待检图像；
9、s6、人工筛选待检图像，建立缺陷图像数据集和轮廓边缘图像数据集；利用缺陷图像数据集和轮廓边缘图像数据集对分类模型网络进行训练。
10、本专利技术方法能够快速且精准地获取训练样本，实现对分类模型网络的精准训练，基于分类模型网络的收敛特性，支持模型迭代。
11、进一步的，步骤s3中对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，根据灰度均值和灰度偏差值对产品主体区域图像进行增益处理以增强图像对比度，通过中值滤波，去除图像中的噪点。通过中值滤波可进一步去除噪声，减少对后续算法的干扰，进一步提高处理效率和精度。
12、基于大模型的自动化工业产品缺陷检测方法，基于上述工业产品缺陷分类大模型训练方法获取训练后的分类模型网络，然后执行如下步骤：
13、s1、获取产品的灰度图像;
14、s2、摒除灰度图像的背景区域，提取产品主体区域图像;
15、s3、对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，根据灰度均值和灰度偏差值对产品主体区域图像进行增益处理以增强图像对比度；
16、s4、对图像进行傅里叶分析以将图像的空间域信息转换到频域信息，创建高斯滤波器，对图像的频域信息进行分析筛选，筛选出图像的高频信息；
17、s5、将图像的高频信息转化成空间域信息，定位出高频信息对应的所有目标区域并获取所有目标区域面积值，通过与预设的面积阈值比较，筛选出比面积阈值大的目标区域；生成预选框，从图像中裁剪出包含目标区域的待检图像；
18、s6、通过训练后的分类模型网络对待检图像进行分析和分类输出。
19、进一步的，还包括步骤s7：将分类后的图像分别存入缺陷图像数据集和轮廓边缘图像数据集。以便于收集更多的训练集对分类模型进行迭代训练。
20、进一步的， 步骤s3中对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，根据灰度均值和灰度偏差值对产品主体区域图像进行增益处理以增强图像对比度，通过中值滤波，去除图像中的噪点。通过中值滤波可进一步去除噪声，减少对后续算法的干扰，进一步提高处理效率和精度。
21、进一步的，步骤s5中将图像的高频信息转化成空间域信息，定位出高频信息对应的所有目标区域并获取所有目标区域面积值，通过与预设的面积阈值比较，筛选出比面积阈值大的目标区域；对筛选出的目标区域的面积值求平均值，然后筛选出面积小于平均值的目标区域；生成预选框，从图像中裁剪出包含最终筛选出的目标区域的待检图像。
22、目标区域可能为轮廓边缘区域，也可能是缺陷区域，由于缺陷区域的面积要远小于轮廓边缘区域的面积，因此轮廓边缘区域面积要大于平均值，而缺陷区域面积要小于平均值，通过此方法可去筛除大面积的轮廓边缘区域，筛选出的是小面积的缺陷区域和轮廓边缘区域，进一步减少大模型处理的数据，提高检测的效率和精度。
23、与现有技术相比，本专利技术的有益效果是：本专利技术方法处理的是工业产品的灰度图像，对算法复杂度要求低，每个步骤层层筛选，算法处理的数据少而精，通过图像空间域和频域互相转换方式，快速定位目标区域，获取缺陷图像和轮廓边缘图像，经过人工精选建立训练集，对分类模型网络进行训练，支持分类模型网络的快速迭代，利用训练后的分类模型网络对待检图像精准分析分类，能够实现低成本、快速、精准地检测出产品缺陷，提高生产效率和产控质量，减少操作人工误差，实现自动化生产。
本文档来自技高网...【技术保护点】
1.一种工业产品缺陷分类大模型训练方法，其特征在于，包括以下步骤；
2.如权利要求1所述的一种工业产品缺陷分类大模型训练方法，其特征在于， 步骤S3中对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，根据灰度均值和灰度偏差值对产品主体区域图像进行增益处理，通过中值滤波，去除图像中的噪点。
3.如权利要求2所述的一种工业产品缺陷分类大模型训练方法，其特征在于，步骤S3中对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，步骤如下；工业产品主体区域设为，为区域中的每个像素点，对应灰度值为，为区域上的所有点,特性定义如下：
4.如权利要求1所述的一种工业产品缺陷分类大模型训练方法，其特征在于，
5.如权利要求1所述的一种工业产品缺陷分类大模型训练方法，其特征在于，
6.基于大模型的自动化工业产品缺陷检测方法，其特征在于，基于权利要求1-5所述的任意一项工业产品缺陷分类大模型训练方法获取训练后的分类模型网络，然后执行如下步骤：
7.如权利要求6所述的基于大模型的自动化工业产品缺陷检测方法，其
8.如权利要求6所述的基于大模型的自动化工业产品缺陷检测方法，其特征在于， 步骤S3中对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，根据灰度均值和灰度偏差值对产品主体区域图像进行增益处理，通过中值滤波，去除图像中的噪点。
9.如权利要求6所述的基于大模型的自动化工业产品缺陷检测方法，其特征在于，步骤S5中将图像的高频信息转化成空间域信息，定位出高频信息对应的所有目标区域并获取所有目标区域面积值，通过与预设的面积阈值比较，筛选出比面积阈值大的目标区域；对筛选后的目标区域的面积值求平均值，然后筛选出面积小于平均值的目标区域；生成预选框，从图像中裁剪出包含最终筛选出的目标区域的待检图像。
10.如权利要求6所述的基于大模型的自动化工业产品缺陷检测方法，其特征在于，步骤S1中使用相机对工业产品进行图像采集，生成灰度图像。
11.电子设备，其特征在于，包括：至少一个处理器，以及与该至少一个处理器通信连接的存储器； 其中，所述存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行权利要求6-9任意一项所述的基于大模型的自动化工业产品缺陷检测方法。
12.存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求6-9任意一项所述的基于大模型的自动化工业产品缺陷检测方法。
...【技术特征摘要】
1.一种工业产品缺陷分类大模型训练方法，其特征在于，包括以下步骤；
2.如权利要求1所述的一种工业产品缺陷分类大模型训练方法，其特征在于， 步骤s3中对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，根据灰度均值和灰度偏差值对产品主体区域图像进行增益处理，通过中值滤波，去除图像中的噪点。
3.如权利要求2所述的一种工业产品缺陷分类大模型训练方法，其特征在于，步骤s3中对产品主体区域图像进行特性分析，得出图像的灰度均值和灰度偏差值，步骤如下；工业产品主体区域设为，为区域中的每个像素点，对应灰度值为，为区域上的所有点,特性定义如下：
4.如权利要求1所述的一种工业产品缺陷分类大模型训练方法，其特征在于，
5.如权利要求1所述的一种工业产品缺陷分类大模型训练方法，其特征在于，
6.基于大模型的自动化工业产品缺陷检测方法，其特征在于，基于权利要求1-5所述的任意一项工业产品缺陷分类大模型训练方法获取训练后的分类模型网络，然后执行如下步骤：
7.如权利要求6所述的基于大模型的自动化工业产品缺陷检测方法，其特征在于，还包括如下步骤:s7、将分类后的图像分别存入缺陷图像数据集和轮廓边缘图像数据集。
8.如权利要求6所述的基于大模型的自动化工业产品缺陷检测方法，其特...
【专利技术属性】
技术研发人员：苗振海，王忠超，赵锋光，黄春来，耿斌，
申请(专利权)人：南京海研科技有限公司，
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。