[发明专利]外观缺陷检测方法、智能终端以及存储装置

说明书

本发明提供一种外观缺陷检测方法、智能终端以及存储装置，该外观缺陷检测方法包括：S101：根据待检测物体在不同光源方向的多幅图像获取待检测物体的法向量图，利用法向量图获取表面高斯曲率图；S102：通过表面高斯曲率图校正和定位待检测物体的图像，将待检测物体的图像输入缺陷检测模型获取候选缺陷区域，其中，通过前馈神经网络训练形成缺陷检测模型；S103：通过后处理算法对候选缺陷区域进行规则判定，根据判定结果获取待检测物体的缺陷区域。本发明通过将图像转换为表面高斯曲率图以及深度学习、传统视觉、规则算法并用检测的方式减少了产品颜色以及外界环境的影响，提高了外观特征提取的效果，缺陷识别速度快、准确率高，稳定性好。

技术领域

本发明涉及在图像识别领域，尤其涉及一种外观缺陷检测方法、智能终端以及存储装置。

背景技术

随着国内电子工业的高速发展，电子元器件的市场需求在不断增加。为了保证电子元器件的质量和寿命，对其外观缺陷进行检测是电子元器件生产过程中不可或缺的一个环节。

随着电子元器件趋向微型化、集成化，对检测的要求越来越高。传统的人工检测效率低、检测成本高、稳定性差、无法满足生产过程中实时在线全检的要求，所以，利用机器视觉技术进行外观缺陷检测逐步受到生产厂家的青睐。然而利用二维图像信息进行缺陷检测容易受到样品颜色、光照条件、现场环境等的影响，导致对外观特征的提取不足且外观特征的准确性不高，进而降低了检测准确率。

发明内容

为了克服现有技术的不足，本发明提出一种外观缺陷检测方法、智能终端以及存储装置，利用待检测物体的多幅图像获取待检测物体的表面高斯曲率图，在该表面高斯曲率中定位待检测物体，通过缺陷检测模型识别定位后的图像中的候选缺陷区域，并利用后处理算法进一步从候选缺陷区域中筛选缺陷区域，解决了人工检测效率低、成本高、稳定性差的问题，而且，通过将图像转换为表面高斯曲率图以及深度学习、传统视觉、规则算法并用检测的方式减少了产品颜色以及外界环境的影响，缺陷识别速度快、准确率高，稳定性好。

为解决上述问题，本发明采用的一个技术方案为：一种外观缺陷检测方法，所述外观缺陷检测方法应用于网络控制器，包括：S101：获取待检测物体在不同光源方向的多幅图像，根据所述图像获取所述待检测物体的法向量图，并利用所述法向量图获取所述待检测物体的表面高斯曲率图；S102：通过所述表面高斯曲率图校正和定位待检测物体的图像，将所述待检测物体的图像输入缺陷检测模型获取候选缺陷区域，其中，通过前馈神经网络训练形成缺陷检测模型；S103：通过后处理算法对所述候选缺陷区域进行规则判定，根据判定结果获取所述待检测物体的缺陷区域。

进一步地，所述根据所述图像获取所述待检测物体的法向量图的步骤具体包括：获取所述图像的光强，根据所述光强计算所述待检测物体表面的方向梯度，根据所述方向梯度形成所述法向量图。

进一步地，所述利用所述法向量图获取所述待检测物体的表面高斯曲率图的步骤具体包括：获取所述待检测物体中平面的反照率，根据所述反照率、法向量图获取所述表面高斯曲率图。

进一步地，所述通过所述表面高斯曲率图校正和定位待检测物体的图像的步骤具体包括：对所述表面高斯曲率图进行预处理，对预处理后的图像进行边缘查找，根据查找结果定位所述待检测物体。

进一步地，所述根据查找结果定位所述待检测物体的步骤具体包括：对所述查找结果进行像素邻域计算获取图像中的像素连通区域，对所述像素连通区域进行区域兼并计算获取兼并对象，根据所述兼并对象的整体布局比较结果定位所述待检测物体。

进一步地，所述通过前馈神经网络训练形成缺陷检测模型的步骤具体包括：根据表面高斯曲率图像生成数据集，将所述数据集输入前馈神经网络训练，通过前馈神经网络的实际输出量与期望输出量之间的偏差调整连接权形成缺陷检测模型。