【技术实现步骤摘要】
本专利技术涉及表面缺陷检测，尤其涉及一种表面缺陷检测模型训练方法及表面缺陷检测方法、系统。
技术介绍
1、现时表面检测主要依赖人手进行，或以机械臂协助检测，检测时间长，效率低。对于制造业、医疗设备行业、制造业、印刷业、包装业、食品业，产品质量对于客户的印象和产品功能有着重要的影响，品质控制是确保出货合格且无缺陷产品的关键过程。然而，传统的品质控制过程通常是由工人进行视觉检查，工人需要拿着产品并检查是否有缺陷。这个沉闷重复的工序需要高度依赖工人的经验和专注力，更容易因人为错误导致漏检情况。当遇到大量检查工作时，这种传统的检查方法的效率显著低下。
2、如对于建造业而言，焊缝目视检测主要以人手进行，检测效率低下，容易漏检气孔、焊渣、表面裂缝等不容易看到的焊接缺陷，以致建筑物结构件的焊接缺陷，随时间扩展，容易增加倒塌风险。
3、现时有不少自动检测生产线对于光源的控制欠佳，以固定光亮度应付不同产品类型，表面检测对于光源的要求非常高，光亮度过低或过分曝光会导致表面轮廓特征难以被电脑分析。
技术实现思路
1、本专利技术的目的在于克服现有技术中的至少一种缺陷，提出一种表面缺陷检测模型训练方法及表面缺陷检测方法、系统，通过本专利技术的方案可以自动及多角度检测表面缺陷并大幅提升检测效率及准确度。
2、为实现上述目的，本专利技术提供一种表面缺陷检测模型训练方法，所述方法包括：
3、获取训练样本图像集；
4、将训练样本图像输入到基于深度学习的表面
5、基于深度学习的表面缺陷检测模型对输入的训练样本图像进行语义分割，得到原始特征图，将原始特征图进行归一化，得到归一化后的特征图；
6、利用归一化后的特征图对所述基于深度学习的表面缺陷检测模型进行训练，得到训练好的基于深度学习的表面缺陷检测模型。
7、在一些实施例中，在对训练样本图像的表面图像进行语义分割，得到原始特征图的步骤前还包括如下步骤：对训练样本图像的表面图像进行去噪处理。
8、在一些实施例中，将去噪处理后的表面图像进行语义分割，得到原始特征图。
9、在一些实施例中，将原始特征图进行归一化的公式为：p(pixel)＝(d(pixel)-d(min))/(d(max)-d(min))，其中：p(pixel)为像素的缺陷程度，d(pixel)为像素在预设特征上的度量值，d(min)为整个图像中所有像素在所述预设特征上的度量值的最小值，d(max)为整个图像中所有像素在所述预设特征上的度量值的最大值。
10、在一些实施例中，训练样本图像集包括第一训练样本图像集和第二训练样本图像集，所述第一训练样本图像集包括若干没有表面缺陷的图像，所述第二训练样本图像集包括若干带有表面缺陷的图像；带有表面缺陷的图像包括标记的表面缺陷图像和/或未标记的表面缺陷图像。
11、在一些实施例中，训练样本图像集通过影像捕捉模块进行拍摄获得；
12、和/或，
13、训练样本图像集通过自动获取网页数据获得。
14、在一些实施例中，通过自动获取网页数据获得训练样本图像集，其步骤包括：
15、获取html内容：向目标网站的伺服器发送http请求，获取表面缺陷相关的科研网页或其他网页的html内容；
16、解析html：获得html内容后，对其进行解析，以提取所需的资料；
17、选择并提取资料：使用选择器定位包含所需资料的特定html元素，然后从这些元素中提取图片数据库信息。
18、通过自动获取网页数据获得训练样本图像集，其步骤包括：
19、获取html内容：向目标网站的伺服器发送http请求，获取表面缺陷相关的科研网页或其他网页的html内容；
20、解析html：获得html内容后，对其进行解析，以提取所需的资料；
21、选择并提取资料：使用选择器定位包含所需资料的特定html元素，然后从这些元素中提取图片数据库信息。
22、本专利技术还公开了一种表面缺陷检测方法，包括如下步骤：
23、获取待测对象的表面图像；
24、将所述待测对象的表面图像输入到利用如上所述的表面缺陷检测模型训练方法训练得到的基于深度学习的表面缺陷检测模型中，基于深度学习的表面缺陷检测模型输出缺陷检测结果。
25、在一些实施例中，所述缺陷检测结果包括正常或缺陷的结果，以及在缺陷检测结果为缺陷的结果时，所述缺陷检测结果还包括：缺陷类型、缺陷位置、缺陷面积、缺陷数目中至少之一。
26、在一些实施例中，通过影像捕捉模块获取待测对象的表面图像，影像捕捉模块包括外圈配有环形光源的摄像头，通过影像捕捉模块获取待测对象的表面图像前，还包括：优化影像捕捉模块的参数；
27、优化影像捕捉模块的参数，具体包括：接收影像捕捉模块拍摄的待测对象的表面图像，并获取当前各个发光体的光亮度以及摄像头的参数，对接收到的表面图像进行分析，判断其中的待测对象的所有轮廓的清晰度是否符合要求，若不符合要求，则反馈调节环形光源的各个发光体的光亮度以及摄像头的参数，直至影像捕捉模块拍摄的待测对象的表面图像符合要求，摄像头的参数包括拍摄频率、焦距、曝光、白平衡、对比度、饱和度中至少之一。
28、本专利技术还公开了一种表面缺陷检测系统，包括：
29、影像捕捉模块，所述影像捕捉模块用于对待测对象的所有表面进行拍摄，获得待测对象的表面图像；
30、深度学习运算模块，所述深度学习运算模块设有利用如上所述的表面缺陷检测模型训练方法训练得到的基于深度学习的表面缺陷检测模型，所述基于深度学习的表面缺陷检测模型用于接收待测对象的表面图像，并输出缺陷检测结果。
31、在一些实施例中，本专利技术的表面缺陷检测系统还包括监控平台，所述监控平台用于将深度学习运算模块输出的缺陷检测结果进行展示；
32、所述缺陷检测结果包括正常或缺陷的结果，以及在缺陷检测结果为缺陷的结果时，所述缺陷检测结果还包括：缺陷类型、缺陷位置、缺陷面积、缺陷数目中至少之一；
33、还包括智能数据模块，所述智能数据模块用于获取影像捕捉模块拍摄的训练样本图像集并进行存储，和/或，智能数据模块用于通过自动获取网页数据得到训练样本图像集并进行储存。
34、在一些实施例中，所述影像捕捉模块包括外圈配有环形光源的摄像头，环形光源包括若干绕摄像头分布的发光体，各个发光体与深度学习运算模块连接，各个发光体的光亮度由深度学习运算模块独立控制，深度学习运算模块用于接收影像捕捉模块拍摄的待测对象的表面图像，并获取当前各个发光体的光亮度以及摄像头的参数，深度学习运算模块还用于对接收到的表面图像进行分析，判断其中的待测对象的所有轮廓的清晰度是否符合要求，若不符合要求，则反馈调节环形光源的各个发光体的光亮度以及摄像头的参数，直至影像捕捉模块拍摄的待测对象的表面图像符合要求，摄像本文档来自技高网...
【技术保护点】
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：
2.如权利要求1所述的表面缺陷检测模型训练方法，其特征在于：在对训练样本图像的表面图像进行语义分割，得到原始特征图的步骤前还包括如下步骤：对训练样本图像的表面图像进行去噪处理。
3.如权利要求1所述的表面缺陷检测模型训练方法，其特征在于：将原始特征图进行归一化的公式为：P(pixel)＝(D(pixel)-D(min))/(D(max)-D(min))，其中：P(pixel)为像素的缺陷程度，D(pixel)为像素在预设特征上的度量值，D(min)为整个图像中所有像素在所述预设特征上的度量值的最小值，D(max)为整个图像中所有像素在所述预设特征上的度量值的最大值。
4.如权利要求1所述的表面缺陷检测模型训练方法，其特征在于：训练样本图像集包括第一训练样本图像集和第二训练样本图像集，所述第一训练样本图像集包括若干没有表面缺陷的图像，所述第二训练样本图像集包括若干带有表面缺陷的图像；带有表面缺陷的图像包括标记的表面缺陷图像和/或未标记的表面缺陷图像。
5.如权利要求1所述的
6.一种表面缺陷检测方法，其特征在于，包括如下步骤：
7.如权利要求6所述的表面缺陷检测方法，其特征在于：通过影像捕捉模块获取待测对象的表面图像，影像捕捉模块包括外圈配有环形光源的摄像头，通过影像捕捉模块获取待测对象的表面图像前，还包括：优化影像捕捉模块的参数；
8.一种表面缺陷检测系统，其特征在于，包括：
9.如权利要求8所述的表面缺陷检测系统，其特征在于：还包括监控平台，所述监控平台用于将深度学习运算模块输出的缺陷检测结果进行展示；
10.如权利要求8所述的表面缺陷检测系统，其特征在于：所述影像捕捉模块包括外圈配有环形光源的摄像头，环形光源包括若干绕摄像头分布的发光体，各个发光体与深度学习运算模块连接，各个发光体的光亮度由深度学习运算模块独立控制，深度学习运算模块用于接收影像捕捉模块拍摄的待测对象的表面图像，并获取当前各个发光体的光亮度以及摄像头的参数，深度学习运算模块还用于对接收到的表面图像进行分析，判断其中的待测对象的所有轮廓的清晰度是否符合要求，若不符合要求，则反馈调节环形光源的各个发光体的光亮度以及摄像头的参数，直至影像捕捉模块拍摄的待测对象的表面图像符合要求，摄像头的参数包括拍摄频率、焦距、曝光、白平衡、对比度、饱和度中至少之一。
...【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：
2.如权利要求1所述的表面缺陷检测模型训练方法，其特征在于：在对训练样本图像的表面图像进行语义分割，得到原始特征图的步骤前还包括如下步骤：对训练样本图像的表面图像进行去噪处理。
3.如权利要求1所述的表面缺陷检测模型训练方法，其特征在于：将原始特征图进行归一化的公式为：p(pixel)＝(d(pixel)-d(min))/(d(max)-d(min))，其中：p(pixel)为像素的缺陷程度，d(pixel)为像素在预设特征上的度量值，d(min)为整个图像中所有像素在所述预设特征上的度量值的最小值，d(max)为整个图像中所有像素在所述预设特征上的度量值的最大值。
4.如权利要求1所述的表面缺陷检测模型训练方法，其特征在于：训练样本图像集包括第一训练样本图像集和第二训练样本图像集，所述第一训练样本图像集包括若干没有表面缺陷的图像，所述第二训练样本图像集包括若干带有表面缺陷的图像；带有表面缺陷的图像包括标记的表面缺陷图像和/或未标记的表面缺陷图像。
5.如权利要求1所述的表面缺陷检测模型训练方法，其特征在于：训练样本图像集通过影像捕捉模块进行拍摄获得；
6.一种表...
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。