[发明专利]一种工业品缺陷检测方法和装置

说明书

本发明涉及一种工业品缺陷检测方法和装置，包括：获取待检测工业品的图像和相应缺陷品的图像；对待检测工业品的图像和缺陷品的图像进行增强处理；基于预设孪生网络对增强处理后的待检测工业品的图像和缺陷品的图像进行处理以得到差异特征；基于预设卷积神经网络对差异特征进行识别以确定待检测工业品的缺陷类型；基于预设弱监督目标定位模型确定待检测工业品相应的缺陷位置。解决了样本不平衡、小样本漏检的问题，并结合弱监督目标检测模型，实现缺陷类型判定与位置定位，从而保证了缺陷检测的鲁棒性和稳定性。

技术领域

本发明属于机器识别技术领域，具体涉及一种工业品缺陷检测方法和装置。

背景技术

通过计算机视觉技术实现工业品缺陷检测是当前实现制造业生产线智能监控、提升信息化生产水平的主要措施。而我国机器视觉检测技术研究起步较晚，目前国内企业主要集中在国外成熟产品销售代理以及二次开发阶段，受技术限制，我们的二次开发产品多为指定工业品、指定缺陷的定制，产品集成度差，通用性弱。由于技术的不透明性，在产品出现问题时，无法及时、准确的发现问题，不得不依靠国外的技术支持。

在大数据与计算机强大算力的支持下，深度学习技术获得了空前发展，已经在各行各业获得了应用与认可。工业品缺陷视觉检测属于计算机视觉领域，为深度学习技术的应用范畴，这为我国在工业品缺陷视觉检测领域实现弯道超车奠定了理论基础。但由于现有的工业品缺陷视觉检测存在如下的缺陷：

工业品缺陷特征呈现严重的样本非平衡现象。在工业品生产过程中，出现缺陷属于小概率事件，这会导致样本数据出现严重的非平衡现象。缺陷小样本、非平衡数据易于致使目标检测模型过拟合，无法有效鉴别缺陷样本；

工业品缺陷检测属于多目标、多尺度的检测任务。缺陷类型种类多样，相同种类之间又存在多尺度差异，从计算机视觉角度出发，这属于多目标、多尺度检测，对检测模型性能的要求更高；

缺陷特征随机性大。工业品缺陷类型、位置、大小、严重程度均无法预先确定，呈现极大的随机性，采集的样本也难于满足缺陷特征数据的边际效应，严重影响目标检测模型性能。

正是由于上述缺陷的存在使得现有的检测技术稳定性差、准确性差，因此如何提供一种鲁棒性和稳定性更高的检测方案已经成为亟需解决的技术问题。

发明内容

为了解决现有技术存在的稳定性、准确性差的问题，本发明提供了一种工业品缺陷检测方法和装置，其具有高鲁棒性和稳定性等特点。

根据本发明的具体实施方式的一种工业品缺陷检测方法，包括：

获取待检测工业品的图像和相应缺陷品的图像；

对所述待检测工业品的图像和所述缺陷品的图像进行增强处理；

基于预设孪生网络对增强处理后的所述待检测工业品的图像和所述缺陷品的图像进行处理以得到差异特征；

基于预设卷积神经网络对所述差异特征进行识别以确定待检测工业品的缺陷类型；

基于预设弱监督目标定位模型确定待检测工业品相应的缺陷位置。

进一步的，所述获取待检测工业品的图像和相应缺陷品的图像包括：

基于工业相机获取待检测工业品的图像和相应缺陷品的图像。

进一步的，所述对所述待检测工业品的图像和所述缺陷品的图像进行增强处理包括：

基于opencv图像增强技术对所述待检测工业品的图像和所述缺陷品的图像进行增强处理。

进一步的，所述基于预设孪生网络对增强处理后的所述待检测工业品的图像和所述缺陷品的图像进行处理以得到差异特征包括：

基于并行设置的CNN特征提取器提取输入的所述待检测工业品的图像和相应缺陷品的图像的差异特征。