[发明专利]工业检测中的缺陷检测方法、缺陷检测装置

说明书

本发明提供一种工业检测中的缺陷检测方法、缺陷检测装置，所述方法包括：获取待检测的工件图片；将工件图片输入训练后的缺陷检测模型以获取缺陷预测结果，其中，缺陷检测模型包括MASK‑RCNN模型和FPN模型，缺陷预测结果包括预选框；对工件图片进行图像配准以获取配准后的前后背景分割图；根据配准后的前后背景分割图对缺陷预测结果的预选框进行筛选；根据筛选后的预选框获取缺陷检测结果。该方法利用图像配准和FPN模型，限制了预选框生成的区域，使得模型可以专注于光学面区域的检测，提高了模型的检出速度，并降低了漏检率；利用图像配准对预选框进行筛选，可以将非光学面的缺陷筛除，从而降低了模型的过检率。

技术领域

本发明涉及检测技术领域，具体涉及一种工业检测中的缺陷检测方法、一种工业检测中的缺陷检测装置。

背景技术

在工业质检领域，检测模型的速度、过检率、漏检率，是评价检测模型的三个重要的指标。

相关技术中，在检测过程中，检测模型会无差别的检测图片中的所有区域，这样会浪费算力在非光学面（无需检测的区域，例如背景），同时会导致检测速度的下降，且非光学面的目标检出也会导致模型的准确率下降，过检率上升。

发明内容

为解决上述技术问题，本发明的第一个目的在于提出一种工业检测中的缺陷检测方法，该方法利用图像配准和FPN（Feature Pyramid Network，语义分割网络）模型，限制了预选框生成的区域，使得模型可以专注于光学面区域的检测，提高了模型的检出速度，并降低了漏检率；利用图像配准对预选框进行筛选，可以将非光学面的缺陷筛除，从而降低了模型的过检率。

本发明的第二个目的在于提出一种工业检测中的缺陷检测装置。

本发明采用的技术方案如下：

本发明第一方面的实施例提出了一种工业检测中的缺陷检测方法，包括以下步骤：获取待检测的工件图片；将所述工件图片输入训练后的缺陷检测模型以获取缺陷预测结果，其中，所述缺陷检测模型包括MASK-RCNN（MASK-Region Convolutional NeuralNetworks，实例分割-区域卷积神经网络）模型和FPN模型，所述缺陷预测结果包括预选框；对所述工件图片进行图像配准以获取配准后的前后背景分割图；根据所述配准后的前后背景分割图对所述缺陷预测结果的预选框进行筛选；根据筛选后的预选框获取缺陷检测结果。

本发明上述提出的工业检测中的缺陷检测方法还可以具有如下附加技术特征：

根据本发明的一个实施例，采用以下方式训练所述缺陷检测模型：将所述工件图片的训练集输入所述MASK-RCNN的主干网络RESNET-50中进行特征提取，以获得特征图；将所述特征图送入所述FPN模型中，以获得分割特征图；根据所述分割特征图获取第一前后背景分割图；对所述训练集进行图像配准以获取所述训练集的配准后的前后背景分割图；获取所述第一前后背景分割图和所述配准后的前后背景分割图的交集，以生成第二背景分割图；将所述特征图输入所述MASK-RCNN中的RPN（Region Proposal Network，区域目标网络）网络，以生成第一预选框；将所述第一预选框中中心点落在第二背景分割图背景区域的预选框筛除，以获取第二预选框；利用NMS（Non-Maximum Suppression，非极大值抑制）算法对所述第二预选框进行进一步筛选，以获取第三预选框；根据所述第三预选框和所述特征图获取目标特征分割图；将所述分割特征图与所述目标特征分割图进行concat（合并数组）操作的融合，以获取融合特征图；根据所述融合特征图，获取所述缺陷预测结果；获取训练集标签，并根据所述训练集标签和所述缺陷预测结果迭代模型权重，以进行监督学习。