[发明专利]基于深度学习的笔类缺陷检测方法、计算设备和存储介质

说明书

本申请公开了基于深度学习的笔类缺陷检测方法，包括：获取待测笔部件图像数据并按照预处理，得到预处理数据集，包括：第一路数据、第二路数据和第三路数据；将第一路数据以第一模型处理生成第一决策数据，所述第一决策数据指示该待测笔部件是否为异常件而无法判断为瑕疵件时，触发第二路数据处理步骤；将第二路数据以第二模型处理生成第二决策数据，所述第二决策数据指示该待测笔部件为瑕疵件的概率，当该概率未达到判断为瑕疵件的概率值，触发第三路数据处理步骤；将第三路数据以第三模型处理生成第三决策数据，所述第三决策数据指示该待测笔部件为瑕疵件的特征值，当该特征值达到阈值，输出瑕疵件数据，本发明降低笔类工件极低误检率和漏检率。

技术领域

本申请涉及工业检测技术领域，尤其涉及基于深度学习的笔类缺陷检测方法、计算设备和存储介质。

背景技术

随着科技的进步，现代生产过程中的自动化程度不断提高，工业制造的产能大幅度提升，由于生产所带来的瑕疵不可避免，为了提高良品率，针对工业制造件的检测要求也不断提高。传统的人工检测不仅需要投入大量的人力和物力，且人工检测时的可控性较差，还会造成误检和漏检。

现有技术中，大多通过光源照射装置或抽检，或者结合特定角度的视觉采集装置，对工业制造件缺陷进行检测。

然而，由于图像采集设备和算法的匮乏，对于图像难于采集、精准度要求高的场景，而还未有成熟的解决方案，传统的机器视觉无法适应该场景。

发明内容

本申请实施例提供基于深度学习的笔类缺陷检测方法、计算设备和存储介质，用以解决多领域工业制造件瑕疵检测误检率和漏检率高的问题。

第一方面，本申请实施例提供一种基于深度学习的瑕疵检测，该方法包括：

一种基于深度学习的笔类缺陷检测方法，包括：

获取待测笔部件图像数据并按照预处理，得到预处理数据集，包括：第一路数据、第二路数据和第三路数据；

将第一路数据以第一模型处理生成第一决策数据，所述第一决策数据指示该待测笔部件是否为异常件而无法判断为瑕疵件时，触发第二路数据处理步骤；

将第二路数据以第二模型处理生成第二决策数据，所述第二决策数据指示该待测笔部件为瑕疵件的概率，当该概率未达到判断为瑕疵件的概率值，触发第三路数据处理步骤；

将第三路数据以第三模型处理生成第三决策数据，所述第三决策数据指示该待测笔部件为瑕疵件的特征值，当该特征值达到阈值，输出瑕疵件数据。

优选地，将第三路数据以第三模型处理生成第三决策数据，具体实现为：

统计所述第三路数据的特征数据，所述特征数据携带检测位掩码；

根据所述检测位掩码计算所述检测位的像素数据；

判断所述像素数是否达到瑕疵件阈值。

将第一路数据以第一模型处理生成第一决策数据具体实现为：

获取待测笔部件图像数据并进行按照第一预设规则对其进行编码，得到第一待测数据集；

对所述第一待测数据集解码后，按照第二预设规则编码获得第二待测数据；

运用第一模型提取测件图像数据潜在空间差值与阈值比较；

当潜在空间差值超出该阈值时，输出指示异常件的检测数据。

优选地，第一模型生成步骤，包括：

获取无瑕疵待测笔部件图像数据并按照第一预设规则对所述图像数据进行编码，得到第一数据集；

对所述第一数据集解码后，按照第二预设规则编码获得第二数据集；