【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种基于视觉检测缺陷的检测方法、装置、设备及存储介质。
技术介绍
1、在制造行业中，产品的缺陷检测是一个关键环节。传统的人工检测方法效率低下且容易出错。随着计算机视觉技术的发展，自动化的视觉检测方法逐渐成为主流。然而，现有的自动化检测方法在处理复杂场景和不平衡数据集时仍存在挑战。
2、近年来，深度学习技术的兴起为视觉检测带来了革命性的改进。特别是卷积神经网络在图像识别和分类任务中取得了显著的成果，被广泛应用于缺陷检测领域。然而，现有基于深度学习的缺陷检测方法中正样本(缺陷)通常远少于负样本(无缺陷)，导致模型训练时对少数类的关注不足，进而降低了缺陷检测的准确性。现有基于深度学习的方法还存在定位精度低等问题影响检测准确性，可见现有基于深度学习的方法仍存在缺陷检测的准确性较低的问题。
3、因此，如何提高缺陷检测的准确性，是目前亟需解决的一个问题。
技术实现思路
1、本申请的主要目的在于提供一种基于视觉检测缺陷的检测方法、装置、设备及存储介质，旨在解决如何提高缺陷检测的准确性的技术问题。
2、为实现上述目的，本申请提出一种基于视觉检测缺陷的检测方法，所述的方法包括：
3、获取待处理的图像数据并进行数据预处理，得到缺陷图像数据；
4、基于缺陷检测模型对所述缺陷图像数据进行缺陷检测处理，得到表面缺陷检测数据，所述缺陷检测模型中增添了损失函数，所述缺陷检测模型为对yolo(you only lookonce
5、对所述表面缺陷检测数据进行筛选，得到表面缺陷检测结果。
6、在一实施例中，所述损失函数包含siou(symmetric intersection over union，对称交并比)函数，所述siou函数用于计算定位损失，所述基于缺陷检测模型对图像数据进行缺陷检测处理的步骤包括：
7、基于所述缺陷图像数据，获取预测框和预设真实框；
8、通过siou函数对所述预测框和预设真实框进行比较得到siou损失值；
9、在缺陷检测处理时，提高所述siou损失值在所述定位损失计算中的损失权重。
10、在一实施例中，所述提高所述siou损失值在所述定位损失计算中的损失权重的步骤之后还包括：
11、通过预设优化器计算权重惩罚项；
12、通过所述权重惩罚项对所述siou损失值进行优化，得到优化后的所述siou损失值。
13、在一实施例中，所述损失函数包含focal loss函数，所述基于缺陷检测模型对图像数据进行缺陷检测处理的步骤包括：
14、基于所述缺陷图像数据计算二分类交叉熵损失值；
15、通过所述二分类交叉熵损失值计算得到真实类别概率；
16、通过所述真实类别概率计算得到focal loss函数，所述focal loss函数中包括第一参数和第二参数，所述第一参数和第二参数可调节，所述第一参数为系数参数，第二参数为指数参数；
17、在缺陷检测处理时，通过所述focal loss函数对所述缺陷图像数据进行分类处理。
18、在一实施例中，所述表面缺陷检测数据中包含置信度，所述对所述表面缺陷检测数据进行筛选，得到表面缺陷检测结果的步骤还包括：
19、若所述表面缺陷检测数据的置信度高于第一置信度阈值时，则将所述表面缺陷检测数据作为所述表面缺陷检测结果输出；
20、若所述表面缺陷检测数据的置信度高于第二置信度阈值时，则将所述表面缺陷检测数据作为待甄别数据存储，所述第二置信度阈值小于第一置信度阈值。
21、在一实施例中，所述获取待处理的图像数据并进行数据预处理，得到缺陷图像数据的步骤还包括：
22、对所述图像数据灰度化，得到灰度图像数据；
23、对所述灰度图像数据二值化，得到所述缺陷图像数据，所述缺陷图像数据为包含黑白两种像素的图像数据。
24、在一实施例中，所述获取待处理的图像数据的步骤还包括：
25、通过灯箱对待测产品进行照射，并通过摄像机获取所述待测产品的图像数据，得到待处理的图像数据，所述灯箱由一个箱体、光源和透光面板组成。
26、此外，为实现上述目的，本申请还提出一种缺陷检测装置，所述缺陷检测装置包括：
27、数据获取模块，用于获取待处理的图像数据并进行数据预处理，得到缺陷图像数据；
28、数据处理模块，用于基于缺陷检测模型对所述缺陷图像数据；进行缺陷检测处理，得到表面缺陷检测数据，所述缺陷检测模型中增添了损失函数，所述缺陷检测模型为对yolo模型改良得到；
29、数据筛选模块，用于对所述表面缺陷检测数据进行筛选，得到表面缺陷检测结果。
30、此外，为实现上述目的，本申请还提出一种缺陷检测装置，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的基于视觉检测缺陷的检测方法的步骤。
31、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于视觉检测缺陷的检测方法的步骤。
32、本申请提供了一种基于视觉检测缺陷的检测方法，本申请首先通过对待处理的图像数据进行预处理得到缺陷图像数据，简化图像数据的同时，提高图像数据的识别度，使图像数据中的缺陷区域更加明显，利于后续的缺陷检测；通过改良的缺陷检测模型对缺陷图像数据进行缺陷检测处理，得到表面缺陷检测数据，由于采用了改良的缺陷检测模型，其中添加了损失函数，解决了类别不平衡问题和定位精度问题，进而提高了缺陷检测的准确性；最后通过对表面缺陷检测数据进行筛选，得到表面缺陷检测结果，确保输出的表面缺陷检测结果具有很高的准确性。
33、综上可知，本申请通过对图像数据进行预处理，并通过改良的缺陷检测模型对缺陷图像数据进行缺陷检测处理，最后对结果进行筛选，克服了yolo模型中的类别不平衡和定位精度不够的技术缺陷，提高了缺陷检测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于视觉检测缺陷的检测方法，其特征在于，所述的方法包括：
2.如权利要求1所述的方法，其特征在于，所述损失函数包含SIoU函数，所述SIoU函数用于计算定位损失，所述基于缺陷检测模型对图像数据进行缺陷检测处理的步骤包括：
3.如权利要求2所述的方法，其特征在于，所述通过SIoU函数对所述预测框和预设真实框进行比较得到SIoU损失值的步骤之后还包括：
4.如权利要求1所述的方法，其特征在于，所述损失函数包含FocalLoss函数，所述基于缺陷检测模型对图像数据进行缺陷检测处理的步骤包括：
5.如权利要求1所述的方法，其特征在于，所述表面缺陷检测数据中包含置信度，所述对所述表面缺陷检测数据进行筛选，得到表面缺陷检测结果的步骤还包括：
6.如权利要求1所述的方法，其特征在于，所述获取待处理的图像数据并进行数据预处理，得到缺陷图像数据的步骤还包括：
7.如权利要求1所述的方法，其特征在于，所述获取待处理的图像数据的步骤还包括：
8.一种缺陷检测装置，其特征在于，所述装置包括：
9.一种
10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于视觉检测缺陷的检测方法的步骤。
...【技术特征摘要】
1.一种基于视觉检测缺陷的检测方法，其特征在于，所述的方法包括：
2.如权利要求1所述的方法，其特征在于，所述损失函数包含siou函数，所述siou函数用于计算定位损失，所述基于缺陷检测模型对图像数据进行缺陷检测处理的步骤包括：
3.如权利要求2所述的方法，其特征在于，所述通过siou函数对所述预测框和预设真实框进行比较得到siou损失值的步骤之后还包括：
4.如权利要求1所述的方法，其特征在于，所述损失函数包含focalloss函数，所述基于缺陷检测模型对图像数据进行缺陷检测处理的步骤包括：
5.如权利要求1所述的方法，其特征在于，所述表面缺陷检测数据中包含置信度，所述对所述表面缺陷检测数据进行筛选，得到表面缺陷检测结果的步骤还包括：
...【专利技术属性】
技术研发人员：李长影，王雷，
申请(专利权)人：无锡宇宁智能科技有限公司，
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。