CN110148130B - 用于检测零件缺陷的方法和装置 - Google Patents
用于检测零件缺陷的方法和装置 Download PDFInfo
- Publication number
- CN110148130B CN110148130B CN201910446993.8A CN201910446993A CN110148130B CN 110148130 B CN110148130 B CN 110148130B CN 201910446993 A CN201910446993 A CN 201910446993A CN 110148130 B CN110148130 B CN 110148130B
- Authority
- CN
- China
- Prior art keywords
- detected
- sample surface
- surface image
- defect
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于检测零件缺陷的方法和装置。该方法的一具体实施方式包括：获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果，其中，缺陷检测模型集合用于检测零件存在的缺陷，检测结果包括待检测零件存在的缺陷类别。该实施方式涉及云计算领域，提高了对零件缺陷的检测准确度。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于检测零件缺陷的方法和装置。
背景技术
随着工业现代化程度越来越高，机器在生活中无处不在。例如，机器在电子、化工、航空航天等各个行业中都已得到广泛的应用。零件是机器的基本组成要素，也是机械制造过程中的基本单元。由于零件的轮廓、形状、大小都必须和最初设计时的精度一致才能满足机器装配需求，因此，在高速发展的工业环境下，检测零件缺陷是加工产业不可缺少的环节之一。
目前，零件缺陷检测方式主要是人工质检。即，依靠人工肉眼对零件表面进行观察来确定零件是否存在缺陷。
发明内容
本申请实施例提出了用于检测零件缺陷的方法和装置。
第一方面，本申请实施例提供了一种用于检测零件缺陷的方法，包括：获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果，其中，缺陷检测模型集合用于检测零件存在的缺陷，检测结果包括待检测零件存在的缺陷类别。
在一些实施例中，在利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合之前，还包括：利用预处理方法对待检测表面图像集合进行预处理。
在一些实施例中，检测结果还包括待检测零件存在的缺陷类别的位置和待检测零件存在预先确定的缺陷类别集合中的缺陷类别的置信度。
在一些实施例中，利用预先训练的缺陷检测模型集合对待检测表面图像特征集合进行检测，得到待检测零件的缺陷检测结果，包括：对于缺陷类别集合中的缺陷类别，若缺陷检测模型集合中的多个缺陷检测模型检测到待检测零件存在该缺陷类别，基于多个缺陷检测模型的准确率和多个缺陷检测模型检测到的待检测零件存在该缺陷类别的置信度，生成待检测零件存在该缺陷类别的置信度。
在一些实施例中，在利用预先训练的缺陷检测模型集合对待检测表面图像特征集合进行检测，得到待检测零件的缺陷检测结果之后，还包括：基于待检测零件的缺陷检测结果向终端设备发送展示信息。
在一些实施例中，基于待检测零件的缺陷检测结果向终端设备发送展示信息，包括：获取待检测零件的缺陷标注结果；基于待检测零件的缺陷检测结果和缺陷标注结果，生成缺陷检测模型集合的准确率和召回率；向终端设备发送缺陷检测模型集合的准确率、召回率、准召率曲线和受试者工作特征曲线中的至少一项。
在一些实施例中，基于待检测零件的缺陷检测结果向终端设备发送展示信息，还包括：基于待检测零件的缺陷检测结果和缺陷标注结果，生成待检测零件的良品率和缺陷率；向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项。
在一些实施例中，在向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项之后，包括：确定良品率曲线是否处于第一预设范围，或者确定缺陷率曲线是否处于第二预设范围；若良品率曲线超出第一预设范围，或者缺陷率曲线超出第二预设范围，发送报警命令。
在一些实施例中，缺陷类别集合通过如下步骤确定：获取在样本零件的多个预设角度采集的样本零件的样本表面图像集合；利用特征提取算法从样本表面图像集合中提取样本零件的样本表面特征集合；利用聚类算法对样本表面特征集合进行聚类，得到第一聚类结果；基于第一聚类结果，生成缺陷类别集合。
在一些实施例中，多个特定角度通过如下步骤确定：将样本表面特征集合划分为多个预设角度对应的多个样本表面特征子集；利用聚类算法分别对多个样本表面特征子集进行聚类，得到多个预设角度对应的多个第二聚类结果；基于多个第二聚类结果，从多个预设角度中确定多个特定角度。
在一些实施例中，聚类算法包括k均值聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和基于深度卷积神经网络的深度嵌入式聚类算法中的至少一项。
在一些实施例中，缺陷检测模型集合通过如下步骤训练得到：对于缺陷检测模型集合中的缺陷检测模型，从样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集；利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集；将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。
在一些实施例中，缺陷检测模型集合中的一个缺陷检测模型对应的样本表面图像子集是在样本零件的多个特定角度中的一个特定角度采集的样本零件的样本表面图像子集。
在一些实施例中，特征提取算法包括候选区域生成网络算法、特征金字塔网络算法和深网算法中的至少一项。
在一些实施例中，在利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集之前，还包括：利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理。
在一些实施例中，预处理方法包括以下至少一项：调整明亮度、灰度、对比度中的至少一项；调整尺寸、偏移中的至少一项；自适应切图。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，将该样本表面图像转换成对应的灰度表面图像；对该样本表面图像对应的灰度表面图像进行二值化，得到该样本表面图像对应的二值化表面图像；确定该样本表面图像对应的二值化表面图像中的样本零件的轮廓；基于该样本表面图像对应的二值化表面图像中的样本零件的轮廓对该样本表面图像进行切图。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件倾斜，计算该样本表面图像的仿射变换矩阵和旋转矩阵；利用该样本表面图像的仿射变换矩阵和旋转矩阵对该样本表面图像进行仿射变换，生成该样本表面图像对应的新的样本表面图像。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是边缘碰伤或脏污，调节该样本表面图像的决策区域的数目。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是起皮，调整该样本表面图像的明亮度和对比度。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是变形，调整该样本表面图像的对比度，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是窗口毛刺，提取该样本表面图像中的样本零件的窗口轮廓，将该样本表面图像中的样本零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该样本表面图像中的样本零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是流纹，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
第二方面，本申请实施例提供了一种用于检测零件缺陷的装置，包括：获取单元，被配置成获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；提取单元，被配置成利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；检测单元，被配置成利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果，其中，缺陷检测模型集合用于检测零件存在的缺陷，检测结果包括待检测零件存在的缺陷类别。
在一些实施例中，该装置还包括：预处理单元，被配置成利用预处理方法对待检测表面图像集合进行预处理。
在一些实施例中，检测结果还包括待检测零件存在的缺陷类别的位置和待检测零件存在预先确定的缺陷类别集合中的缺陷类别的置信度。
在一些实施例中，检测单元进一步被配置成：对于缺陷类别集合中的缺陷类别，若缺陷检测模型集合中的多个缺陷检测模型检测到待检测零件存在该缺陷类别，基于多个缺陷检测模型的准确率和多个缺陷检测模型检测到的待检测零件存在该缺陷类别的置信度，生成待检测零件存在该缺陷类别的置信度。
在一些实施例中，该装置还包括：发送单元，被配置成基于待检测零件的缺陷检测结果向终端设备发送展示信息。
在一些实施例中，发送单元进一步被配置成：获取待检测零件的缺陷标注结果；基于待检测零件的缺陷检测结果和缺陷标注结果，生成缺陷检测模型集合的准确率和召回率；向终端设备发送缺陷检测模型集合的准确率、召回率、准召率曲线和受试者工作特征曲线中的至少一项。
在一些实施例中，发送单元进一步被配置成：基于待检测零件的缺陷检测结果和缺陷标注结果，生成待检测零件的良品率和缺陷率；向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项。
在一些实施例中，该装置包括：确定单元，被配置成确定良品率曲线是否处于第一预设范围，或者确定缺陷率曲线是否处于第二预设范围；报警单元，被配置成若良品率曲线超出第一预设范围，或者缺陷率曲线超出第二预设范围，发送报警命令。
在一些实施例中，缺陷类别集合通过如下步骤确定：获取在样本零件的多个预设角度采集的样本零件的样本表面图像集合；利用特征提取算法从样本表面图像集合中提取样本零件的样本表面特征集合；利用聚类算法对样本表面特征集合进行聚类，得到第一聚类结果；基于第一聚类结果，生成缺陷类别集合。
在一些实施例中，多个特定角度通过如下步骤确定：将样本表面特征集合划分为多个预设角度对应的多个样本表面特征子集；利用聚类算法分别对多个样本表面特征子集进行聚类，得到多个预设角度对应的多个第二聚类结果；基于多个第二聚类结果，从多个预设角度中确定多个特定角度。
在一些实施例中，聚类算法包括k均值聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和基于深度卷积神经网络的深度嵌入式聚类算法中的至少一项。
在一些实施例中，缺陷检测模型集合通过如下步骤训练得到：对于缺陷检测模型集合中的缺陷检测模型，从样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集；利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集；将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。
在一些实施例中，缺陷检测模型集合中的一个缺陷检测模型对应的样本表面图像子集是在样本零件的多个特定角度中的一个特定角度采集的样本零件的样本表面图像子集。
在一些实施例中，特征提取算法包括候选区域生成网络算法、特征金字塔网络算法和深网算法中的至少一项。
在一些实施例中，在利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集之前，还包括：利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理。
在一些实施例中，预处理方法包括以下至少一项：调整明亮度、灰度、对比度中的至少一项；调整尺寸、偏移中的至少一项；自适应切图。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，将该样本表面图像转换成对应的灰度表面图像；对该样本表面图像对应的灰度表面图像进行二值化，得到该样本表面图像对应的二值化表面图像；确定该样本表面图像对应的二值化表面图像中的样本零件的轮廓；基于该样本表面图像对应的二值化表面图像中的样本零件的轮廓对该样本表面图像进行切图。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件倾斜，计算该样本表面图像的仿射变换矩阵和旋转矩阵；利用该样本表面图像的仿射变换矩阵和旋转矩阵对该样本表面图像进行仿射变换，生成该样本表面图像对应的新的样本表面图像。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是边缘碰伤或脏污，调节该样本表面图像的决策区域的数目。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是起皮，调整该样本表面图像的明亮度和对比度。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是变形，调整该样本表面图像的对比度，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是窗口毛刺，提取该样本表面图像中的样本零件的窗口轮廓，将该样本表面图像中的样本零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该样本表面图像中的样本零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图。
在一些实施例中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是流纹，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于检测零件缺陷的方法和装置，首先获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；然后利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；最后利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果。利用缺陷检测模型集合自动检测零件存在的缺陷，整个检测过程无需人工参与，不仅降低了人力成本，还提高了对零件缺陷的检测效率。并且，多个缺陷检测模型共同检测零件存在的缺陷，降低了对零件缺陷的误检率和漏检率，进而提高了对零件缺陷的检测准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的用于检测零件缺陷的方法的一个实施例的流程图；
图3是根据本申请的用于检测零件缺陷的方法的又一个实施例的流程图；
图4是根据本申请的用于确定缺陷类别集合的方法的一个实施例的流程图；
图5是根据本申请的用于确定特定角度的方法的一个实施例的流程图；
图6是根据本申请的用于训练缺陷检测模型集合的方法的一个实施例的流程图；
图7是根据本申请的用于检测零件缺陷的装置的一个实施例的结构示意图；
图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测零件缺陷的方法或用于检测零件缺陷的装置的实施例的示例性系统架构100。
如图1所示，系统架构100中可以包括图像采集设备101、102、103，网络104和服务器105。网络104用以在图像采集设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类别，例如有线、无线通信链路或者光纤电缆等等。
图像采集设备101、102、103可以通过网络104向服务器105发送其采集的零件的表面图像。图像采集设备101、102、103可以是硬件，也可以是软件。当图像采集设备101、102、103为硬件时，可以是支持图像采集功能的各种电子设备。包括但不限于摄像头、摄像机、相机和智能手机等等。当图像采集设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器。例如零件缺陷检测服务器。零件缺陷检测服务器可以对获取到的在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合等数据进行分析等处理，生成处理结果(例如待检测零件的缺陷检测结果)。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于检测零件缺陷的方法一般由服务器105执行，相应地，用于检测零件缺陷的装置一般设置于服务器105中。
应该理解，图1中的图像采集设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的图像采集设备、网络和服务器。
继续参考图2，其示出了根据本申请的用于检测零件缺陷的方法的一个实施例的流程200。该用于检测零件缺陷的方法，包括以下步骤：
步骤201，获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合。
在本实施例中，用于检测零件缺陷的方法的执行主体(例如图1所示的服务器105)可以从设置在待检测零件的附近的多台图像采集设备(例如图1所示的图像采集设备101、102、103)获取待检测表面图像集合。其中，一台图像采集设备与待检测零件呈一个特定角度，用于在待检测零件的该特定角度采集待检测零件的待检测表面图像。例如，在正对待检测零件的正面、侧面和背面处设置三台图像采集设备，这三台图像采集设备分别采集待检测零件的正面图像、侧面图像和背面图像，并作为待检测零件的待检测表面图像添加到待检测表面图像集合中。
步骤202，利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合。
在本实施例中，对于待检测表面图像集合中的每张待检测表面图像，上述执行主体可以利用特征提取算法从该待检测表面图像中提取待检测零件的待检测表面特征，并添加到待检测零件的待检测表面特征集合中。其中，特征提取算法可以包括但不限于以下至少一项：RPN(Region Proposal Network，候选区域生成网络)算法、FPN(Feature PyramidNetworks，特征金字塔网络)算法和DN(Deep Net，深网)算法等等。待检测表面特征可以是用于对待检测表面图像中的待检测零件的表面所具有的特征进行描述的信息，包括但不限于与待检测零件的表面相关的各种基本要素(例如表面形状、表面颜色、表面光滑度等)。通常，待检测表面特征可以用多维向量来表示。
在本实施例的一些可选的实现方式中，上述执行主体可以首先利用预处理方法对待检测表面图像集合进行预处理，然后再执行步骤202。通常，对待检测表面图像集合进行预处理的预处理方法与对用于训练缺陷检测模型集合的样本表面图像集合进行预处理的预处理方法相同，具体参见图6所示的实施例。
步骤203，利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果。
在本实施例中，上述执行主体可以利用缺陷检测模型集合对待检测表面特征集合进行检测，以得到待检测零件的缺陷检测结果。其中，缺陷检测模型集合可以用于检测零件存在的缺陷，表征零件的表面特征集合与零件的缺陷检测结果之间的对应关系。待检测零件的检测结果可以包括待检测零件存在的缺陷类别。可选地，待检测零件的检测结果还可以包括待检测零件存在的缺陷类别的位置和待检测零件存在预先确定的缺陷类别集合中的缺陷类别的置信度。其中，缺陷类别集合中可以包括裂纹、划痕、鼓包、粘料、沙眼、边缘碰伤、脏污、起皮、变形、窗口毛刺和流纹等缺陷类别。
通常，缺陷检测模型集合中的一个缺陷检测模型可以用于检测在一个特定角度采集的表面图像中的零件存在的缺陷。因此，对于多个特定角度中的每个特定角度，上述执行主体可以首先将待检测表面特征集合中的该特定角度对应的待检测表面特征输入至该特定角度对应的缺陷检测模型，以得到该特定角度对应的缺陷检测结果。随后，汇总多个特定角度对应的多个缺陷检测结果，得到待检测零件的缺陷检测结果。
在本实施例中，缺陷检测模型集合可以通过多种方式训练得到。例如，对于缺陷检测模型集合中的每个缺陷检测模型，上述执行主体可以预先收集在一个特定角度采集的样本表面图像和样本表面图像中的样本零件存在的缺陷类别，并对应存储生成对应关系表，作为该缺陷检测模型。在获取到待检测表面特征集合之后，上述执行主体可以首先从待检测表面特征集合中选取该特定角度对应的待检测表面特征，然后计算该特定角度对应的待检测表面特征与对应关系表中的各个样本表面图像的样本表面特征之间的相似度；然后基于所计算出的相似度，从对应关系表中确定出该特定角度对应的缺陷检测结果；最后，汇总多个特定角度对应的多个缺陷检测结果，得到待检测零件的缺陷检测结果。
在本实施例的一些可选的实现方式中，对于缺陷类别集合中的每种缺陷类别，若缺陷检测模型集合中的多个缺陷检测模型检测到待检测零件存在该缺陷类别，上述执行主体可以基于多个缺陷检测模型的准确率和多个缺陷检测模型检测到的待检测零件存在该缺陷类别的置信度，生成待检测零件存在该缺陷类别的置信度。例如，上述执行主体可以选取准确率高的缺陷检测模型检测到的待检测零件存在该缺陷类别的置信度，作为待检测零件存在该缺陷类别的置信度。又例如，上述执行主体可以根据多个缺陷检测模型的准确率做归一化处理，并将归一化处理后的分数值作为相应的权重因子。
在本实施例的一些可选的实现方式中，上述执行主体可以基于待检测零件的缺陷检测结果向终端设备发送展示信息。例如，上述执行主体可以直接向终端设备发送待检测零件的缺陷检测结果。这样，终端设备就可以展示待检测零件的缺陷检测结果。
本申请实施例提供的用于检测零件缺陷的方法，首先获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；然后利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；最后利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果。利用缺陷检测模型集合自动检测零件存在的缺陷，整个检测过程无需人工参与，不仅降低了人力成本，还提高了对零件缺陷的检测效率。并且，多个缺陷检测模型共同检测零件存在的缺陷，降低了对零件缺陷的误检率和漏检率，进而提高了对零件缺陷的检测准确度。
进一步参考图3，其示出了根据本申请的用于检测零件缺陷的方法的又一个实施例的流程300。该用于检测零件缺陷的方法，包括以下步骤：
步骤301，获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合。
步骤302，利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合。
步骤303，利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果。
在本实施例中，步骤301-303的具体操作已在图2所示的实施例中步骤201-203中进行了详细的介绍，在此不再赘述。
步骤304，获取待检测零件的缺陷标注结果。
在本实施例中，用于检测零件缺陷的方法的执行主体(例如图1所示的服务器105)可以获取待检测零件的缺陷标注结果。其中，待检测零件的缺陷标注结果可以是对待检测零件进行人工质检后标注的结果，包括人工质检出的待检测零件存在的缺陷类别。可选地，待检测零件的缺陷标注结果还可以包括人工质检出的待检测零件存在的缺陷类别的位置。
步骤305，基于待检测零件的缺陷检测结果和缺陷标注结果，生成缺陷检测模型集合的准确率和召回率。
在本实施例中，上述执行主体可以基于待检测零件的缺陷检测结果和缺陷标注结果，计算缺陷检测模型集合的准确率和召回率。例如，上述执行主体可以将缺陷检测结果和缺陷标注结果一致的待检测零件的数量与所有待检测零件的数量的比值作为缺陷检测模型集合的准确率。上述执行主体可以将缺陷检测结果和缺陷标注结果均为正的待检测零件的数量与缺陷标注结果为正的待检测零件的数量的比值作为缺陷检测模型集合的召回率。
步骤306，向终端设备发送缺陷检测模型集合的准确率、召回率、准召率曲线和受试者工作特征曲线中的至少一项。
在本实施例中，上述执行主体可以向终端设备发送缺陷检测模型集合的准确率、召回率、准召率曲线(PRC曲线)和受试者工作特征曲线(ROC曲线)中的至少一项。这样，终端设备就可以展示接收到的展示信息。通常，PRC曲线和ROC曲线是根据缺陷检测模型集合的准确率和召回率绘制出来的。
步骤307，基于待检测零件的缺陷检测结果和缺陷标注结果，生成待检测零件的良品率和缺陷率。
在本实施例中，上述执行主体可以基于待检测零件的缺陷检测结果和缺陷标注结果，计算待检测零件的良品率和缺陷率。例如，上述执行主体可以将缺陷检测结果为正的待检测零件的数量与所有待检测零件的数量的比值作为待检测零件的良品率。上述执行主体可以将缺陷检测结果为负的待检测零件的数量与所有待检测零件的数量的比值作为待检测零件的缺陷率。其中，缺陷检测结果为正，表示该待检测零件不存在缺陷，缺陷检测结果为负，表示该待检测零件存在缺陷。
步骤308，向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项。
在本实施例中，上述执行主体可以向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项。这样，终端设备就可以展示接收到的展示信息。
步骤309，确定良品率曲线是否处于第一预设范围，或者确定缺陷率曲线是否处于第二预设范围。
在本实施例中，上述执行主体可以确定良品率曲线是否处于第一预设范围，或者确定确定缺陷率曲线是否处于第二预设范围。若良品率曲线超出第一预设范围，或者缺陷率曲线超出第二预设范围，执行步骤310。
步骤310，发送报警命令。
在本实施例中，若良品率曲线超出第一预设范围，或者缺陷率曲线超出第二预设范围，上述执行主体可以向报警装置发送报警命令。这样，报警装置就可以发出报警声音，以提示加工零件的机器内部或者加工零件的生产线出现异常情况。
从图3中可以看出，与图2对应的实施例相比，本实施例中的用于检测零件缺陷的方法的流程300增加了发送展示信息和报警命令的步骤。由此，本实施例描述的方案通过终端设备展示缺陷检测模型集合的准确率、召回率、PRC曲线和ROC曲线中的至少一项，以及待检测零件的良品率和缺陷率中的至少一项，使用户能够更加直观地看到待检测零件的缺陷情况。并且，在良品率曲线超出第一预设范围，或者缺陷率曲线超出第二预设范围的情况下，通过报警装置发出报警声音，能够根据提示及时发现加工零件的机器内部或者加工零件的生产线出现的异常情况。
进一步参考图4，其示出了用于确定缺陷类别集合的方法的一个实施例的流程400。该用于确定缺陷类别集合的方法，包括以下步骤：
步骤401，获取在样本零件的多个预设角度采集的样本零件的样本表面图像集合。
在本实施例中，用于确定缺陷类别集合的方法的执行主体(例如图1所示的服务器105)可以从设置在样本零件的附近的大量图像采集设备获取样本表面图像集合。其中，一台图像采集设备与样本零件呈一个预设角度，用于在样本零件的该预设角度采集样本零件的样本表面图像。例如，每隔一定的角度(例如10度)设置一台图像采集设备。样本零件可以是存在各种缺陷类别的零件。
步骤402，利用特征提取算法从样本表面图像集合中提取样本零件的样本表面特征集合。
在本实施例中，对于样本表面图像集合中的每张样本表面图像，上述执行主体可以利用特征提取算法从该样本表面图像中提取样本表面特征，并添加到样本表面特征集合中。其中，样本表面特征可以是用于对样本表面图像中的样本零件的表面所具有的特征进行描述的信息，包括但不限于与样本零件的表面相关的各种基本要素(例如表面形状、表面颜色、表面光滑度等)。通常，样本表面特征可以用多维向量来表示。
需要说明的是，这里的特征提取算法与图2所示的实施例中的特征提取算法相同，这里不再赘述。
步骤403，利用聚类算法对样本表面特征集合进行聚类，得到第一聚类结果。
在本实施例中，上述执行主体可以利用聚类算法对样本表面特征集合进行聚类，以得到第一聚类结果。其中，聚类一般是将大量物理或抽象对象分成由类似的对象组成的多个集合的过程。这些对象与同一个集合中的对象彼此相似，与其他集合中的对象相异。聚类算法可以包括但不限于以下至少一项：k-means(k均值)聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和DEC_DCNN(Deep Embedded Clustering basedon Deep Convolutional Neural Network，基于深度卷积神经网络的深度嵌入式聚类)算法。第一聚类结果可以包括多个样本表面特征簇。同一样本表面特征簇中的样本表面特征相似，不同样本表面特征簇中的样本表面特征相异。
步骤404，基于第一聚类结果，生成缺陷类别集合。
在本实施例中，上述执行主体可以基于第一聚类结果，生成缺陷类别集合。实践中，存在同一缺陷类别的缺陷的零件的表面特征相似，存在不同缺陷类别的缺陷的零件的表面特征相异，因此，第一聚类结果中的一个样本表面特征簇可以对应一种缺陷类别。这里，对于第一聚类结果中的每个样本表面特征簇，上述执行主体可以对该样本表面特征簇进行分析，以确定该样本表面特征簇对应的缺陷类别。
在本实施例的一些可选的实现方式中，对于多个预设角度中的每个预设角度，上述执行主体还可以将该预设角度的样本表面图像的样本表面特征所分布的样本表面特征簇对应的缺陷类别确定为该预设角度的图像采集设备所能采集到的缺陷类别。
进一步参考图5，其示出了用于确定特定角度的方法的一个实施例的流程500。该用于确定特定角度的方法，包括以下步骤：
步骤501，将样本表面特征集合划分为多个预设角度对应的多个样本表面特征子集。
在本实施例中，用于确定特定角度的方法的执行主体(例如图1所示的服务器105)可以将样本表面特征集合划分为多个预设角度对应的多个样本表面特征子集。通常，在样本零件的同一预设角度采集的样本零件的样本表面图像属于同一样本表面特征子集。
步骤502，利用聚类算法分别对多个样本表面特征子集进行聚类，得到多个预设角度对应的多个第二聚类结果。
在本实施例中，上述执行主体可以利用聚类算法分别对多个样本表面特征子集进行聚类，以得到多个预设角度对应的多个第二聚类结果。其中，每个预设角度对应的第二聚类结果可以包括多个样本表面特征簇。
需要说明的是，这里的聚类算法与图4所示的实施例中的聚类算法相同，这里不再赘述。
步骤503，基于多个第二聚类结果，从多个预设角度中确定多个特定角度。
在本实施例中，上述执行主体可以基于多个第二聚类结果，从多个预设角度中确定多个特定角度。例如，上述执行主体可以基于多个预设角度中的每个预设角度对应的第二聚类结果的聚类效果，从多个预设角度中选取出聚类效果好，且能够采集到的缺陷类别集合中的所有缺陷类别的多个特定角度。通常，同一样本表面特征簇中的样本表面特征相似度越高，不同样本表面特征簇中的样本表面特征相似度越低，其聚类效果就越好。
进一步参考图6，其示出了用于训练缺陷检测模型集合的方法的一个实施例的流程600。该用于训练缺陷检测模型集合的方法，包括以下步骤：
步骤601，对于缺陷检测模型集合中的缺陷检测模型，从样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集。
在本实施例中，对于缺陷检测模型集合中的每个缺陷检测模型，用于训练缺陷检测模型集合的方法的执行主体(例如图1所示的服务器105)可以从样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集。通常，缺陷检测模型集合中的一个缺陷检测模型对应的样本表面图像子集可以是在样本零件的多个特定角度中的一个特定角度采集的样本零件的样本表面图像子集。
步骤602，利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集。
在本实施例中，对于该缺陷检测模型对应的样本表面图像子集中的每张样本表面图像，上述执行主体可以利用特征提取算法从该样本表面图像中提取样本表面特征，并添加到该缺陷检测模型对应的样本表面特征子集中。
需要说明的是，这里的特征提取算法与图2所示的实施例中的特征提取算法相同，这里不再赘述。
在本实施例的一些可选的实现方式中，上述执行主体可以首先首先利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，然后再执行步骤602。
在本实施例的一些可选的实现方式中，预处理方法可以包括但不限于以下至少一项：调整明亮度、灰度、对比度中的至少一项；调整尺寸、偏移中的至少一项；自适应切图。
在本实施例的一些可选的实现方式中，对于样本表面图像子集中的样本表面图像，上述执行主体就可以首先将该样本表面图像转换成对应的灰度表面图像；之后对该样本表面图像对应的灰度表面图像进行二值化，得到该样本表面图像对应的二值化表面图像；然后确定该样本表面图像对应的二值化表面图像中的样本零件的轮廓；最后基于该样本表面图像对应的二值化表面图像中的样本零件的轮廓对该样本表面图像进行切图。
在本实施例的一些可选的实现方式中，对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件倾斜，上述执行主体可以首先计算该样本表面图像的仿射变换矩阵和旋转矩阵；然后利用该样本表面图像的仿射变换矩阵和旋转矩阵对该样本表面图像进行仿射变换，生成该样本表面图像对应的新的样本表面图像。通过仿射变换来实现图像的平移、缩放、旋转等，以生成新的样本表面图像，实现训练样本增广，有助于提高训练出的缺陷检测模型的泛化能力。
在本实施例的一些可选的实现方式中，对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是边缘碰伤或脏污，上述执行主体可以调节该样本表面图像的决策区域的数目。通常，边缘碰伤或脏污在图像视觉特征上相似度较高，上述执行主体可以适当调节样本表面图像的决策区域的数目，然后通过阈值删选方法能有效降低误检率。例如，RFCN(Region-based Fully Convolutional Networks，基于区域的全卷积网络)算法通过将目标区域划分成k×k个决策区域，分别计算着k×k个决策区域的相似度，取平均值作为总体的相似度，参与到缺陷类别相似度计算。由于边缘碰伤和脏污在图像上最大的视觉特征差异在于：边缘碰伤这类缺陷的边缘是不规则的锯齿状，而脏污的边缘则是平滑的曲线。因此，通过适当调大k值，让更多的边缘区域参与决策，能让边缘碰伤和脏污在相似度上区分开来，最终通过阈值删选方法能有效防止脏污被误检成边缘碰伤。
在本实施例的一些可选的实现方式中，对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是起皮，上述执行主体可以调整该样本表面图像的明亮度和对比度。由于起皮对明亮度变化特征敏感，如果图像采集过程中明亮度有变化容易造成漏检和误检。由于起皮的唯一图像特征是比正常部分颜色深一些，比脏污部分颜色浅一些，通过适度调整图像的明亮度和对比度突出起皮的图像特征，再通过图像分割的方法来提高起皮的检测准确度。
在本实施例的一些可选的实现方式中，对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是变形，上述执行主体可以调整该样本表面图像的对比度，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。通常，变形的图像视觉特征非常不明显，对图像采集角度以及打光要求都非常高。通过从与变形表面呈10度较采集图像，让变形在图像上有明暗度变化的图像特征。通过适当调整对比度，让明暗变化的图像特征更加明显，再使用深度学习方法对变形部位进行检测。此外，由于变形一般出现在零件某个表面的中间，且面积相对其他类缺陷较大、位置变化范围较小，为了提高准确率，通过对检测框按照一定比例扩大，使检测范围更广，准确度更高。在扩大之后的检测框上进行像素聚类，通过对聚类结果的分析来确定是否存在变形。
在本实施例的一些可选的实现方式中，对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是窗口毛刺，上述执行主体可以提取该样本表面图像中的样本零件的窗口轮廓，将该样本表面图像中的样本零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该样本表面图像中的样本零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图。通常，正常窗口轮廓是矩形，存在毛刺的窗口轮廓会有凹凸现象，取窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，通过归一化处理，将窗口轮廓的所有像素值均转换到0到1范围内，画出折线图。正常窗口的折线图为四段直线，而存在毛刺的窗口的折线图则会出现异常值。例如，较周围的像素值高或低，亦或成曲线分布。通过对这些异常值进行检测，从而实现对窗口毛刺的检测。
在本实施例的一些可选的实现方式中，对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是流纹，上述执行主体可以扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。通常，流纹的图像特征比较明显，如果直接使用深度学习方法进行检测，存在误检率高的缺点。为了降低误检率，扩大检测框，对扩大之后的检测框进行像素聚类，流纹通过像素聚类之后会和正常区域由明显的边界，从而有效降低流纹的误检率。
步骤603，将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。
在本实施例中，上述执行主体可以将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，利用深度学习方法训练得到该缺陷检测模型。
通常，上述执行主体可以将样本表面特征从目标检测模型的输入侧输入，经过目标检测模型的处理，从输出侧输出样本零件的检测结果。随后，上述执行主体可以基于样本零件的检测结果和样本零件的缺陷类别目标检测模型的检测准确度。若检测准确度不满足预先设定的约束条件，则调整目标检测模型的参数，随后输入样本表面特征继续进行模型训练。若检测准确度满足预先设定的约束条件，则模型训练完成，此时的样本表面特征即为该缺陷检测模型。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于检测零件缺陷的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的用于检测零件缺陷的装置700可以包括：获取单元701、提取单元702和检测单元703。其中，获取单元701，被配置成获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；提取单元702，被配置成利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；检测单元703，被配置成利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果，其中，缺陷检测模型集合用于检测零件存在的缺陷，检测结果包括待检测零件存在的缺陷类别。
在本实施例中，用于检测零件缺陷的装置700中：获取单元701、提取单元702和检测单元703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，用于检测零件缺陷的装置700还包括：预处理单元(图中未示出)，被配置成利用预处理方法对待检测表面图像集合进行预处理。
在本实施例的一些可选的实现方式中，检测结果还包括待检测零件存在的缺陷类别的位置和待检测零件存在预先确定的缺陷类别集合中的缺陷类别的置信度。
在本实施例的一些可选的实现方式中，检测单元703进一步被配置成：对于缺陷类别集合中的缺陷类别，若缺陷检测模型集合中的多个缺陷检测模型检测到待检测零件存在该缺陷类别，基于多个缺陷检测模型的准确率和多个缺陷检测模型检测到的待检测零件存在该缺陷类别的置信度，生成待检测零件存在该缺陷类别的置信度。
在本实施例的一些可选的实现方式中，用于检测零件缺陷的装置700还包括：发送单元(图中未示出)，被配置成基于待检测零件的缺陷检测结果向终端设备发送展示信息。
在本实施例的一些可选的实现方式中，发送单元进一步被配置成：获取待检测零件的缺陷标注结果；基于待检测零件的缺陷检测结果和缺陷标注结果，生成缺陷检测模型集合的准确率和召回率；向终端设备发送缺陷检测模型集合的准确率、召回率、准召率曲线和受试者工作特征曲线中的至少一项。
在本实施例的一些可选的实现方式中，发送单元进一步被配置成：基于待检测零件的缺陷检测结果和缺陷标注结果，生成待检测零件的良品率和缺陷率；向终端设备发送待检测零件的良品率曲线和缺陷率曲线中的至少一项。
在本实施例的一些可选的实现方式中，用于检测零件缺陷的装置700包括：确定单元(图中未示出)，被配置成确定良品率曲线是否处于第一预设范围，或者确定缺陷率曲线是否处于第二预设范围；报警单元(图中未示出)，被配置成若良品率曲线超出第一预设范围，或者缺陷率曲线超出第二预设范围，发送报警命令。
在本实施例的一些可选的实现方式中，缺陷类别集合通过如下步骤确定：获取在样本零件的多个预设角度采集的样本零件的样本表面图像集合；利用特征提取算法从样本表面图像集合中提取样本零件的样本表面特征集合；利用聚类算法对样本表面特征集合进行聚类，得到第一聚类结果；基于第一聚类结果，生成缺陷类别集合。
在本实施例的一些可选的实现方式中，多个特定角度通过如下步骤确定：将样本表面特征集合划分为多个预设角度对应的多个样本表面特征子集；利用聚类算法分别对多个样本表面特征子集进行聚类，得到多个预设角度对应的多个第二聚类结果；基于多个第二聚类结果，从多个预设角度中确定多个特定角度。
在本实施例的一些可选的实现方式中，聚类算法包括k均值聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和基于深度卷积神经网络的深度嵌入式聚类算法中的至少一项。
在本实施例的一些可选的实现方式中，缺陷检测模型集合通过如下步骤训练得到：对于缺陷检测模型集合中的缺陷检测模型，从样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集；利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集；将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。
在本实施例的一些可选的实现方式中，缺陷检测模型集合中的一个缺陷检测模型对应的样本表面图像子集是在样本零件的多个特定角度中的一个特定角度采集的样本零件的样本表面图像子集。
在本实施例的一些可选的实现方式中，特征提取算法包括候选区域生成网络算法、特征金字塔网络算法和深网算法中的至少一项。
在本实施例的一些可选的实现方式中，在利用特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集之前，还包括：利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理。
在本实施例的一些可选的实现方式中，预处理方法包括以下至少一项：调整明亮度、灰度、对比度中的至少一项；调整尺寸、偏移中的至少一项；自适应切图。
在本实施例的一些可选的实现方式中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，将该样本表面图像转换成对应的灰度表面图像；对该样本表面图像对应的灰度表面图像进行二值化，得到该样本表面图像对应的二值化表面图像；确定该样本表面图像对应的二值化表面图像中的样本零件的轮廓；基于该样本表面图像对应的二值化表面图像中的样本零件的轮廓对该样本表面图像进行切图。
在本实施例的一些可选的实现方式中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件倾斜，计算该样本表面图像的仿射变换矩阵和旋转矩阵；利用该样本表面图像的仿射变换矩阵和旋转矩阵对该样本表面图像进行仿射变换，生成该样本表面图像对应的新的样本表面图像。
在本实施例的一些可选的实现方式中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是边缘碰伤或脏污，调节该样本表面图像的决策区域的数目。
在本实施例的一些可选的实现方式中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是起皮，调整该样本表面图像的明亮度和对比度。
在本实施例的一些可选的实现方式中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是变形，调整该样本表面图像的对比度，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
在本实施例的一些可选的实现方式中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是窗口毛刺，提取该样本表面图像中的样本零件的窗口轮廓，将该样本表面图像中的样本零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该样本表面图像中的样本零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图。
在本实施例的一些可选的实现方式中，利用预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：对于样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是流纹，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
下面参考图8，其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器105)的计算机系统800的结构示意图。图8示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元和检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取在待检测零件的多个特定角度采集的待检测零件的待检测表面图像集合；利用特征提取算法从待检测表面图像集合中提取待检测零件的待检测表面特征集合；利用预先训练的缺陷检测模型集合对待检测表面特征集合进行检测，得到待检测零件的缺陷检测结果，其中，缺陷检测模型集合用于检测零件存在的缺陷，检测结果包括待检测零件存在的缺陷类别。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (30)
1.一种用于检测零件缺陷的方法，包括：
获取在待检测零件的多个特定角度采集的所述待检测零件的待检测表面图像集合；
利用预处理方法对所述待检测表面图像集合进行预处理；
利用特征提取算法从所述待检测表面图像集合中提取所述待检测零件的待检测表面特征集合；
利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果，其中，所述缺陷检测模型集合用于检测零件存在的缺陷，所述检测结果包括所述待检测零件存在的缺陷类别；
其中，所述利用预处理方法对所述待检测表面图像集合进行预处理，包括以下至少一项：
调大所述待检测表面图像集合中的待检测表面图像的决策区域的数目，其中，所述决策区域是通过基于区域的全卷积网络RFCN算法对该待检测表面图像中的待检测零件区域划分形成的区域；
调整所述待检测表面图像集合中的待检测表面图像的对比度，扩大该待检测表面图像的检测框，以及对该待检测表面图像的检测框进行像素聚类；
提取所述待检测表面图像集合中的待检测表面图像中的待检测零件的窗口轮廓，将该待检测表面图像中的待检测零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该待检测表面图像中的待检测零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图；
扩大所述待检测表面图像集合中的待检测表面图像的检测框，以及对该待检测表面图像的检测框进行像素聚类。
2.根据权利要求1所述的方法，其中，所述检测结果还包括所述待检测零件存在的缺陷类别的位置和所述待检测零件存在预先确定的缺陷类别集合中的缺陷类别的置信度。
3.根据权利要求2所述的方法，其中，所述利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果，包括：
对于所述缺陷类别集合中的缺陷类别，若所述缺陷检测模型集合中的多个缺陷检测模型检测到所述待检测零件存在该缺陷类别，基于所述多个缺陷检测模型的准确率和所述多个缺陷检测模型检测到的所述待检测零件存在该缺陷类别的置信度，生成所述待检测零件存在该缺陷类别的置信度。
4.根据权利要求1所述的方法，其中，在所述利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果之后，还包括：
基于所述待检测零件的缺陷检测结果向终端设备发送展示信息。
5.根据权利要求4所述的方法，其中，所述基于所述待检测零件的缺陷检测结果向终端设备发送展示信息，包括：
获取所述待检测零件的缺陷标注结果；
基于所述待检测零件的缺陷检测结果和缺陷标注结果，生成所述缺陷检测模型集合的准确率和召回率；
向所述终端设备发送所述缺陷检测模型集合的准确率、召回率、准召率曲线和受试者工作特征曲线中的至少一项。
6.根据权利要求5所述的方法，其中，所述基于所述待检测零件的缺陷检测结果向终端设备发送展示信息，还包括：
基于所述待检测零件的缺陷检测结果和缺陷标注结果，生成所述待检测零件的良品率和缺陷率；
向所述终端设备发送所述待检测零件的良品率曲线和缺陷率曲线中的至少一项。
7.根据权利要求6所述的方法，其中，在所述向所述终端设备发送所述待检测零件的良品率曲线和缺陷率曲线中的至少一项之后，包括：
确定所述良品率曲线是否处于第一预设范围，或者确定所述缺陷率曲线是否处于第二预设范围；
若所述良品率曲线超出所述第一预设范围，或者所述缺陷率曲线超出所述第二预设范围，发送报警命令。
8.根据权利要求3所述的方法，其中，所述缺陷类别集合通过如下步骤确定：
获取在样本零件的多个预设角度采集的所述样本零件的样本表面图像集合；
利用所述特征提取算法从所述样本表面图像集合中提取所述样本零件的样本表面特征集合；
利用聚类算法对所述样本表面特征集合进行聚类，得到第一聚类结果；
基于所述第一聚类结果，生成所述缺陷类别集合。
9.根据权利要求8所述的方法，其中，所述多个特定角度通过如下步骤确定：
将所述样本表面特征集合划分为所述多个预设角度对应的多个样本表面特征子集；
利用所述聚类算法分别对所述多个样本表面特征子集进行聚类，得到所述多个预设角度对应的多个第二聚类结果；
基于所述多个第二聚类结果，从所述多个预设角度中确定所述多个特定角度。
10.根据权利要求8或9所述的方法，其中，所述聚类算法包括k均值聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和基于深度卷积神经网络的深度嵌入式聚类算法中的至少一项。
11.根据权利要求8所述的方法，其中，所述缺陷检测模型集合通过如下步骤训练得到：
对于所述缺陷检测模型集合中的缺陷检测模型，从所述样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集；
利用所述特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集；
将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。
12.根据权利要求11所述的方法，其中，所述缺陷检测模型集合中的一个缺陷检测模型对应的样本表面图像子集是在所述样本零件的所述多个特定角度中的一个特定角度采集的所述样本零件的样本表面图像子集。
13.根据权利要求11所述的方法，其中，所述特征提取算法包括候选区域生成网络算法、特征金字塔网络算法和深网算法中的至少一项。
14.根据权利要求11所述的方法，其中，在所述利用所述特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集之前，还包括：
利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理。
15.根据权利要求14所述的方法，其中，所述预处理方法包括以下至少一项：
调整明亮度、灰度、对比度中的至少一项；
调整尺寸、偏移中的至少一项；
自适应切图。
16.根据权利要求15所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：
对于所述样本表面图像子集中的样本表面图像，将该样本表面图像转换成对应的灰度表面图像；
对该样本表面图像对应的灰度表面图像进行二值化，得到该样本表面图像对应的二值化表面图像；
确定该样本表面图像对应的二值化表面图像中的样本零件的轮廓；
基于该样本表面图像对应的二值化表面图像中的样本零件的轮廓对该样本表面图像进行切图。
17.根据权利要求15所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：
对于所述样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件倾斜，计算该样本表面图像的仿射变换矩阵和旋转矩阵；
利用该样本表面图像的仿射变换矩阵和旋转矩阵对该样本表面图像进行仿射变换，生成该样本表面图像对应的新的样本表面图像。
18.根据权利要求15所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：
对于所述样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是边缘碰伤或脏污，调大该样本表面图像的决策区域的数目，其中，所述决策区域是通过基于区域的全卷积网络RFCN算法对该样本表面图像中的样本零件区域划分形成的区域。
19.根据权利要求15所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：
对于所述样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是起皮，调整该样本表面图像的明亮度和对比度。
20.根据权利要求15所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：
对于所述样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是变形，调整该样本表面图像的对比度，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
21.根据权利要求15所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：
对于所述样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是窗口毛刺，提取该样本表面图像中的样本零件的窗口轮廓，将该样本表面图像中的样本零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该样本表面图像中的样本零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图。
22.根据权利要求15所述的方法，其中，所述利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理，包括：
对于所述样本表面图像子集中的样本表面图像，若该样本表面图像中的样本零件存在的缺陷类别是流纹，扩大该样本表面图像的检测框，以及对该样本表面图像的检测框进行像素聚类。
23.一种用于检测零件缺陷的装置，包括：
获取单元，被配置成获取在待检测零件的多个特定角度采集的所述待检测零件的待检测表面图像集合；
预处理单元，被配置成利用预处理方法对所述待检测表面图像集合进行预处理；
提取单元，被配置成利用特征提取算法从所述待检测表面图像集合中提取所述待检测零件的待检测表面特征集合；
检测单元，被配置成利用预先训练的缺陷检测模型集合对所述待检测表面特征集合进行检测，得到所述待检测零件的缺陷检测结果，其中，所述缺陷检测模型集合用于检测零件存在的缺陷，所述检测结果包括所述待检测零件存在的缺陷类别；
其中，所述预处理单元进一步被配置成执行以下至少一项：
调大所述待检测表面图像集合中的待检测表面图像的决策区域的数目，其中，所述决策区域是通过基于区域的全卷积网络RFCN算法对该待检测表面图像中的待检测零件区域划分形成的区域；
调整所述待检测表面图像集合中的待检测表面图像的对比度，扩大该待检测表面图像的检测框，以及对该待检测表面图像的检测框进行像素聚类；
提取所述待检测表面图像集合中的待检测表面图像中的待检测零件的窗口轮廓，将该待检测表面图像中的待检测零件的窗口轮廓的两条横边的像素值的纵坐标和两条竖边的像素值的横坐标存储成一维数组，对该待检测表面图像中的待检测零件的窗口轮廓的像素值进行归一化，并基于归一化的像素值生成窗口轮廓的折线图；
扩大所述待检测表面图像集合中的待检测表面图像的检测框，以及对该待检测表面图像的检测框进行像素聚类。
24.根据权利要求23所述的装置，其中，所述装置还包括：
发送单元，被配置成基于所述待检测零件的缺陷检测结果向终端设备发送展示信息。
25.根据权利要求23所述的装置，其中，所述缺陷类别集合通过如下步骤确定：
获取在样本零件的多个预设角度采集的所述样本零件的样本表面图像集合；
利用所述特征提取算法从所述样本表面图像集合中提取所述样本零件的样本表面特征集合；
利用聚类算法对所述样本表面特征集合进行聚类，得到第一聚类结果；
基于所述第一聚类结果，生成所述缺陷类别集合。
26.根据权利要求25所述的装置，其中，所述多个特定角度通过如下步骤确定：
将所述样本表面特征集合划分为所述多个预设角度对应的多个样本表面特征子集；
利用所述聚类算法分别对所述多个样本表面特征子集进行聚类，得到所述多个预设角度对应的多个第二聚类结果；
基于所述多个第二聚类结果，从所述多个预设角度中确定所述多个特定角度。
27.根据权利要求25所述的装置，其中，所述缺陷检测模型集合通过如下步骤训练得到：
对于所述缺陷检测模型集合中的缺陷检测模型，从所述样本表面图像集合中选取该缺陷检测模型对应的样本表面图像子集；
利用所述特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集；
将该缺陷检测模型对应的样本表面特征子集中的样本表面特征作为输入，将输入的样本表面特征对应的样本零件的缺陷类别作为输出，训练得到该缺陷检测模型。
28.根据权利要求27所述的装置，其中，在所述利用所述特征提取算法从该缺陷检测模型对应的样本表面图像子集中提取样本表面特征子集之前，还包括：
利用所述预处理方法对该缺陷检测模型对应的样本表面图像子集进行预处理。
29.一种服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-22中任一所述的方法。
30.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-22中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910446993.8A CN110148130B (zh) | 2019-05-27 | 2019-05-27 | 用于检测零件缺陷的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910446993.8A CN110148130B (zh) | 2019-05-27 | 2019-05-27 | 用于检测零件缺陷的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110148130A CN110148130A (zh) | 2019-08-20 |
| CN110148130B true CN110148130B (zh) | 2022-02-11 |
Family
ID=67592030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910446993.8A Active CN110148130B (zh) | 2019-05-27 | 2019-05-27 | 用于检测零件缺陷的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148130B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261392B (zh) * | 2019-06-19 | 2022-07-08 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和系统 |
| CN110517259A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 一种产品表面状态的检测方法、装置、设备及介质 |
| CN110569899B (zh) * | 2019-09-03 | 2022-06-10 | 嘉陵江亭子口水利水电开发有限公司 | 坝面缺陷分类模型训练方法及装置 |
| CN110827249A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 电子设备背板外观瑕疵检测方法及设备 |
| CN111008954A (zh) * | 2019-11-04 | 2020-04-14 | 联想(北京)有限公司 | 一种信息处理方法及装置、电子设备和存储介质 |
| CN111105399A (zh) * | 2019-12-19 | 2020-05-05 | 苏州经贸职业技术学院 | 开关表面缺陷检测方法及系统 |
| CN111210421B (zh) * | 2020-01-10 | 2023-12-01 | 苏州杰锐思智能科技股份有限公司 | 锂电池表面缺陷图像批量生成方法及系统 |
| CN111402220B (zh) * | 2020-03-11 | 2023-06-09 | 北京百度网讯科技有限公司 | 用于获取信息的方法及装置 |
| CN111681220B (zh) * | 2020-06-04 | 2024-02-13 | 阿丘机器人科技(苏州)有限公司 | 缺陷检测模型的构建方法、装置、系统及存储介质 |
| CN111768404A (zh) * | 2020-07-08 | 2020-10-13 | 北京滴普科技有限公司 | 口罩外观缺陷检测系统、方法、装置以及存储介质 |
| CN113689431B (zh) * | 2021-10-27 | 2022-02-11 | 常州微亿智造科技有限公司 | 工业产品外观缺陷检测方法和装置 |
| CN113936000B (zh) * | 2021-12-16 | 2022-03-15 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
| CN114882259A (zh) * | 2022-05-26 | 2022-08-09 | 深圳市宝德软件开发有限公司 | 一种配件质检的方法、装置及存储介质 |
| CN115049641A (zh) * | 2022-08-10 | 2022-09-13 | 启东普力马机械有限公司 | 一种用于机械零件异常检测的电数据处理方法及系统 |
| CN116718616B (zh) * | 2023-08-04 | 2023-11-03 | 苏州视谷视觉技术有限公司 | 一种用于瑕疵检测的机器视觉检测系统及检测方法 |
| CN117409010B (zh) * | 2023-12-15 | 2024-04-26 | 菲特（天津）检测技术有限公司 | 漆面缺陷检测模型训练、检测、编码方法及检测系统 |
| CN118247331B (zh) * | 2024-05-20 | 2024-07-19 | 长春理工大学 | 一种基于图像识别的零件尺寸自动检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
| KR20170022346A (ko) * | 2015-08-20 | 2017-03-02 | 충북대학교 산학협력단 | Ｐｃｂ 결함 및 결함종류 분류 시스템 및 방법 |
| CN106570853A (zh) * | 2015-10-08 | 2017-04-19 | 上海深邃智能科技有限公司 | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 |
| CN107506702A (zh) * | 2017-08-08 | 2017-12-22 | 江西高创保安服务技术有限公司 | 基于多角度的人脸识别模型训练及测试系统及方法 |
| CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
| CN109461149A (zh) * | 2018-10-31 | 2019-03-12 | 泰州市创新电子有限公司 | 喷漆表面缺陷的智能检测系统及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ATE190722T1 (de) * | 1995-05-10 | 2000-04-15 | Mahlo Gmbh & Co Kg | Verfahren und vorrichtung zum erfassen von fehlern in textilbahnen und dergleichen |
| JP5422129B2 (ja) * | 2008-02-07 | 2014-02-19 | 株式会社キーエンス | 欠陥検出装置、欠陥検出方法及びコンピュータプログラム |
| JP7004145B2 (ja) * | 2017-11-15 | 2022-01-21 | オムロン株式会社 | 欠陥検査装置、欠陥検査方法、及びそのプログラム |
| CN108830837B (zh) * | 2018-05-25 | 2021-03-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
| CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
-
2019
- 2019-05-27 CN CN201910446993.8A patent/CN110148130B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
| KR20170022346A (ko) * | 2015-08-20 | 2017-03-02 | 충북대학교 산학협력단 | Ｐｃｂ 결함 및 결함종류 분류 시스템 및 방법 |
| CN106570853A (zh) * | 2015-10-08 | 2017-04-19 | 上海深邃智能科技有限公司 | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 |
| CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
| CN107506702A (zh) * | 2017-08-08 | 2017-12-22 | 江西高创保安服务技术有限公司 | 基于多角度的人脸识别模型训练及测试系统及方法 |
| CN109461149A (zh) * | 2018-10-31 | 2019-03-12 | 泰州市创新电子有限公司 | 喷漆表面缺陷的智能检测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《带钢表面缺陷图像检测与分类方法研究》;甘胜丰;《CNKI博士学位论文全文库》;20140531;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110148130A (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN118608504B (zh) | 一种基于机器视觉的零部件表面质量检测方法及其系统 | |
| Shi et al. | Automatic road crack detection using random structured forests | |
| CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
| CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
| CN111915572A (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
| CN118470005B (zh) | 一种基于视觉识别技术的缺陷检测系统 | |
| CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
| CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
| CN118154605B (zh) | 纺织品ai瑕疵检测方法、系统及设备 | |
| CN108460344A (zh) | 屏幕中的动态区域智能识别系统及智能识别方法 | |
| CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
| CN118967672A (zh) | 一种工业缺陷检测方法、系统、装置和存储介质 | |
| CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
| CN117975175B (zh) | 一种基于机器视觉的塑料管道外观缺陷检测方法 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN118505708A (zh) | 基于图像重构技术的产品修复系统 | |
| CN117876353A (zh) | 一种基于视觉识别的电子设备表面划痕检测系统 | |
| CN117218097A (zh) | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 | |
| CN116109627A (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
| CN112396648B (zh) | 一种可定位目标物质心的目标识别方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |