[发明专利]一种检测产品缺陷的方法及装置

说明书

本申请提供了一种检测产品缺陷的方法及装置，包括：获取待检测产品的深度图像，将所述深度图像转换为平面灰度图像；将所述平面灰度图像输入到预先构建的深度学习网络，得到所述待检测产品的缺陷检测结果。可以提升产品缺陷的检测效率。

技术领域

本申请涉及检测技术领域，具体而言，涉及一种检测产品缺陷的方法及装置。

背景技术

在工业生产过程中，由于机械震动、声音及光线等外界环境以及复杂的生产工艺，可能导致生产出的产品外观不良，从而使生产出的产品变成缺陷产品，降低了生产效率。为了保障产品的外观符合相应的生产要求，需要对工业生产过程中的产品进行一系列检测。

目前在产品检测中，一般使用工业相机进行产品缺陷的视觉检测，基于对产品表面拍摄得到的二维图像进行分析。但该产品缺陷检测方法，需要针对每一类缺陷，人为设计用于该缺陷检测的视觉检测算法，视觉检测算法对应的检测算子需要调节大量参数才能使检测运行稳定，因而，需要消耗大量时间，且能够检测的产品缺陷较为单一，不能检测出除设计的各视觉检测算法之外的产品缺陷，使得产品缺陷的检测效率不高。

发明内容

有鉴于此，本申请的目的在于提供一种检测产品缺陷的方法及装置，提升产品缺陷的检测效率。

第一方面，本申请实施例提供了一种检测产品缺陷的方法，包括：

获取待检测产品的深度图像，将所述深度图像转换为平面灰度图像；

将所述平面灰度图像输入到预先构建的深度学习网络，得到所述待检测产品的缺陷检测结果，其中，通过如下步骤构建所述深度学习网络；

获取样品的样品深度图像，将所述样品深度图像转换为样品平面灰度图像；

依据所述样品包含的缺陷特征，对所述样品对应的样品平面灰度图像进行标注，根据标注的样品平面灰度图像，将所述标注的样品平面灰度图像划分为训练集以及测试集；

以所述训练集中标注的样品平面灰度图像的缺陷区域作为深度学习训练网络的输入，以该缺陷区域对应的缺陷类型作为所述深度学习训练网络的输出，对所述深度学习训练网络进行训练；

以所述测试集中标注的样品平面灰度图像的缺陷区域作为训练的深度学习训练网络的输入，获取所述训练的深度学习训练网络的输出结果，与以该缺陷区域对应的缺陷类型进行比对，获取所述训练的深度学习训练网络的网络精度；

若所述网络精度小于预先设置的精度阈值，依据所述训练集对所述训练的深度学习训练网络继续训练，直至所述训练的深度学习训练网络的网络精度不小于所述精度阈值，得到所述深度学习网络。

可选地，所述依据所述样品包含的缺陷，对所述样品对应的样品平面灰度图像标注，包括：

分析所述样品包含的缺陷区域，提取该缺陷区域的缺陷特征，依据预先构建的缺陷类型与缺陷特征的对应关系，确定每一缺陷特征对应的缺陷类型；

在所述样品对应的样品平面灰度图像的缺陷区域进行确定的缺陷类型标注。

可选地，所述根据标注的样品平面灰度图像，将所述标注的样品平面灰度图像划分为训练集以及测试集，包括：

针对每一标注的样品平面灰度图像，统计该标注的样品平面灰度图像的缺陷类型数量，若统计的缺陷类型数量超过预设的缺陷类型数阈值，将该标注的样品平面灰度图像置于训练集中，否则，将该标注的样品平面灰度图像置于测试集中。

可选地，所述训练集中还包含有无缺陷的样品平面灰度图像，所述测试集中还包含有无缺陷的样品平面灰度图像。

可选地，在将所述样品深度图像转换为样品平面灰度图像之后，依据所述样品包含的缺陷，对所述样品对应的样品平面灰度图像进行标注之前，所述方法还包括：