[发明专利]零件缺陷检测方法、设备、介质及计算机程序产品

权利要求书

1.一种零件缺陷检测方法，其特征在于，所述零件缺陷检测方法包括：

获取待检测零件对应的待检测图像，其中，所述待检测图像为所述待检测零件的X光图像；

基于全尺度灰度先验深度分割模型，对所述待检测图像进行缺陷预测，获得图像缺陷检测结果，其中，所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对由预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的，所述全尺度灰度先验深度分割模型包括目标特征提取模型和图像缺陷分类模型，所述目标特征提取模型和所述图像缺陷分类模型均由预设数量的深度神经网络模块级联组成；

其中，在所述基于全尺度灰度先验深度分割模型，对所述待检测图像进行缺陷预测，获得图像缺陷检测结果，其中，所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对由预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的步骤之前，所述零件缺陷检测方法还包括：

获取训练缺陷图像集；

配置训练缺陷图像集中各所述训练缺陷图像对应的初始图像尺寸和最终图像尺寸；

基于所述初始图像尺寸和所述最终图像尺寸，计算在不同训练阶段中各所述训练缺陷图像对应的图像尺寸；

基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像，对所述待训练缺陷检测模型进行迭代训练优化，获得所述全尺度灰度先验深度分割模型。

2.如权利要求1所述零件缺陷检测方法，其特征在于，所述基于全尺度灰度先验深度分割模型，对所述待检测图像进行缺陷预测，获得图像缺陷检测结果的步骤包括：

基于所述目标特征提取模型，对所述待检测图像进行特征提取，获得图像特征数据；

基于所述图像特征数据和所述图像缺陷分类模型，对所述待检测零件进行缺陷预测，获得所述图像缺陷检测结果。

3.如权利要求1所述零件缺陷检测方法，其特征在于，所述待训练缺陷检测模型包括待训练特征提取模型和待训练缺陷分类模型，

所述基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像，对所述待训练缺陷检测模型进行迭代训练优化，获得所述全尺度灰度先验深度分割模型的步骤包括：

构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型；

构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型；

设计模型损失函数；

基于所述待训练特征提取模型，对所述不同训练阶段对应的图像尺寸的各所述训练缺陷图像进行特征提取，获得不同尺度特征的特征提取结果；

将不同尺度特征的特征提取结果输入待训练缺陷分类模型，以对所述训练缺陷图像集中的各训练缺陷图像进行类别预测，获得预测类型结果；

基于各所述训练缺陷图像对应的真实类型和各所述训练缺陷图像对应的预测类型结果，通过所述模型损失函数计算类别预测损失；

基于所述类别预测损失，优化所述待训练缺陷分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述图像缺陷分类模型。

4.如权利要求3所述零件缺陷检测方法，其特征在于，所述构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型的步骤包括：

构建预设数量的特征提取神经网络模块，其中，所述特征提取神经网络模块包括卷积层、批归一化层和非线性函数层；

将各所述特征提取神经网络模块进行级联连接，并将不相邻的特征提取神经网络模块进行两两连接，获得所述待训练特征提取模型。

5.如权利要求3所述零件缺陷检测方法，其特征在于，所述待训练缺陷分类模型包括各分类神经网络模块，

所述构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型的步骤包括：

构建预设数量的分类神经网络模块，其中，所述分类神经网络模块包括卷积层、批归一化层和非线性函数层；

将各所述分类神经网络模块进行级联连接，并将不相邻的分类神经网络模块进行两两连接，获得所述待训练缺陷分类模型。