[发明专利]一种基于轻量化分割模型的缺陷区域检测方法及装置

说明书

本申请提供一种基于轻量化分割模型的缺陷区域检测方法及装置。方法包括获取训练样本图像，并确定训练样本图像的缺陷区域，得到缺陷图像；根据预设的缺陷类别对缺陷图像进行标记，得到缺陷标记图像；将缺陷标记图像输入至轻量化分割模型中进行训练，得到训练好的轻量化分割模型；将待检测图像输入至训练好的轻量化分割模型中，检测并输出待检测图像中每个像素的缺陷类别概率值；将缺陷类别概率值相同的像素组合输出为缺陷检测区域。本申请中轻量化分割模型的解码部分用于恢复经过分类模型处理输出后待检测图像的分辨率，保证在提取到的高级特征图基础上，分辨率的准确性；并且解码部分的参数空间较小，分割模型更轻量，对缺陷区域的检测效率较高。

技术领域

本申请涉及深度学习模型技术领域，尤其涉及一种基于轻量化分割模型的缺陷区域检测方法及装置。

背景技术

工业检测领域中，由于产品的表面缺陷类别形态多样。在进行产品的表面缺陷类别分类检测时，虽然可以采用传统的识别算法对产品图像进行特征提取，然后根据特征提取的结果来确定表面缺陷及表面缺陷的类别。但采用灰度提取算法、面积提取算法、轮廓提取算法等传统的识别算法，很难提取到产品图像中全部有效的特征，对于产品图像的检测效果较差。

由于深度学习模型能够自动学习产品图像特征，采用基于深度学习模型，即分割模型的检测方法对产品图像进行检测，根据检测结果可以将产品划分出不合格(缺陷)的区域和类别。因此，现有技术中使用深度学习模型对产品图像的不合格(缺陷)区域进行检测越来越普遍。

虽然采用深度学习模型即分割模型对产品图像的不合格(缺陷)区域进行检测越来越普遍，并且采用深度学习模型，即分割模型的检测方法对产品图像的不合格(缺陷)区域进行检测的效果较好，但是由于现有的深度学习模型，即分割模型的的网络结构较复杂，模型的参数较多，因此采用上述方案对产品图像不合格(缺陷)区域的检测效率较低，还会对产品的生产效率产生一定程度的影响。

发明内容

本申请提供了一种基于轻量化分割模型的缺陷区域检测方法及装置，以解决现有技术中的采用深度学习模型的检测方法对产品图像不合格(缺陷)区域的检测效率较低，从而导致产品的生产效率低的问题。

一方面，本申请提供一种基于轻量化分割模型的缺陷区域检测方法，包括以下步骤：

获取训练样本图像，并确定所述训练样本图像的缺陷区域，得到缺陷图像；

根据预设的缺陷类别对所述缺陷图像进行标记，得到缺陷标记图像；

将所述缺陷标记图像输入至轻量化分割模型中进行训练，得到训练好的轻量化分割模型；

将待检测图像输入至训练好的轻量化分割模型中，检测并输出所述待检测图像中每个像素的缺陷类别概率值；

将所述缺陷类别概率值相同的像素组合输出为缺陷检测区域；

其中，所述轻量化分割模型包括分类模型部分、解码部分和检测卷积部分；

所述分类模型部分用于提取所述待检测图像的高级特征图，并将所述高级特征图输入至所述解码部分；

所述解码部分用于提取所述高级特征图中每个像素的缺陷类别，并将所述高级特征图的分辨率恢复成所述待检测图像的分辨率，得到原始分辨率高级特征图；

所述检测卷积部分用于检测所述原始分辨率高级特征图中每个像素的缺陷类别，并将相同缺陷类别的像素组合输出为缺陷检测区域。

在本申请的较佳实施例中，所述分类模型部分包括支干、主干和头部；

其中，所述支干采用支干卷积层对所述待检测图像进行预处理，并将所述预处理后的待检测图像输入至所述主干；