[发明专利]一种基于语义分割模型缺陷检测方法、装置、介质及设备

说明书

本发明公开了一种基于语义分割模型的缺陷检测方法，包括：获取待检测工件的图像数据；将图像数据输入至训练完毕的语义分割模型中，获取工件的缺陷预测Label图；语义分割模型包括顺次连接的特征提取网络与特征预测网络；特征提取网络用于缺陷区域发生位置的预测，其包括特征提取层、特征压缩层、特征压平层以及特征分类层；特征预测网络用于对特征提取网络确定的缺陷区域内每个像素点进行分类，对缺陷区域定位与分割后输出工件的缺陷预测Label图；基于缺陷预测Label图进行工件的缺陷检测，可有效降低模型计算量，快速高精度地实现工件缺陷视觉检测。

技术领域

本发明属于计算机视觉和深度学习领域，更具体地，涉及一种基于语义分割模型的工件缺陷检测方法、装置、存储介质及计算机设备。

背景技术

随着工业4.0的快速发展，大数据分析和人工智能已经被应用于工业视觉检测领域，相对于传统视觉技术无法量化的图像提取特征，深度学习神经网络可以有效进行优化处理，一定程度上可以提高工件缺陷视觉检测的准确度和稳定性。

通过2D相机有效采集工件缺陷样本图像，深度学习语义分割模型可以高精度地预测工件缺陷区域，便于后续缺陷量化处理。但是2D相机设备下采集的缺陷样本图像丢失Z轴方向上的数据特征，因此对于在Z轴方向上存在数据的缺陷特征，例如：瓶身凹陷、标签边缘翘起等，深度学习神经网络卷积层无法准确提取其相应特征参数，模型预测结果精度也会有所下降，不利于工件在线实时缺陷检测。

目前通常采取以下两组方案以解决上述问题，

（1）2D相机配合背光源计算阴影区域面积，但是其机械架构设施较为复杂，并且该方法下获取的工件3D缺陷多呈现阴影状， 实际缺陷面积与投影区域面积关系未知，缺陷量化精度偏低；

（2）3D点云缺陷区域分割技术，但是该方法不能均衡数据计算量与缺陷精确度，即：若点云较为稠密，缺陷区域较为清晰，但对应数据计算量较大，过度依赖于高维数据处理；若对点云采取下采样处理，一定程度上可以保证缺陷检出速率，但3D点云数据较为稀疏，会降低缺陷检测精度。

发明内容

本发明的目的是提供一种基于语义分割模型缺陷检测方法，可快速高精度地对工件进行缺陷视觉检测。

为实现上述目的，本发明提供一种基于语义分割模型的缺陷检测方法，包括如下步骤：获取待检测工件的图像数据；

将所述图像数据输入至训练完毕的语义分割模型中，获取所述工件的缺陷预测Label图；

所述语义分割模型包括顺次连接的特征提取网络与特征预测网络；

所述特征提取网络用于缺陷区域发生位置的预测，其包括特征提取层、特征压缩层、特征压平层以及特征分类层；

根据所述特征提取层对所述图像数据进行特征提取，获取所述图像数据的特征图；

根据所述特征压缩层对所述特征图进行压缩并输出所述特征图的特征向量；

根据所述特征压平层对所述特征向量进行卷积核分解并输出所述特征图的枚举向量；

将所述枚举向量输入至所述特征分类层中以对不同类型的缺陷进行独立预测并获取缺陷区域位置；

所述特征预测网络用于对所述特征提取网络确定的缺陷区域内每个像素点进行分类，对所述缺陷区域定位与分割后输出所述工件的缺陷预测Label图；

基于所述缺陷预测Label图进行工件的缺陷检测。

作为一优选方案，所述特征提取网络中，所述特征提取层包括多个依次连接的卷积层；所述特征压缩层包括多个交替设置的卷积层与池化层；所述特征压平层包括多个一维卷积层；所述特征分类层包括多个全连接层。

进一步的，所述特征提取网络中，所述全连接层的数量对应缺陷种类设置。