[发明专利]基于深度学习和机器视觉的端云协同缺陷打标系统及方法

说明书

本发明提供一种基于深度学习和机器视觉的端云协同缺陷打标系统及方法，该系统采用端云协同的部署模式，将前端系统和后端系统均部署在云端服务器上，用户使用时无需下载安装打标软件，也无需安装机器视觉算法库以及配置其环境变量；只需要打开系统所配套的终端可视化界面，比如网页，即可在视化界面中发起打标请求，并上传待打标样品图片，云端程序接收后便会对样品图片进行缺陷信息打标，并且返回带有缺陷打标信息的结果图给用户；解决了人工打标的局限性。同时，将打标算法运行于服务器端，采用端云协同的部署模式，来解决传统软件使用起来安装复杂的问题。

技术领域

本发明涉及图像处理、图像缺陷打标领域，更具体地，涉及一种基于深度学习和机器视觉的端云协同缺陷打标系统及方法。

背景技术

随着深度学习技术的不断发展，其应用场景越来越广泛。而对其数据集的打标工作，一直以来都是依靠人工来完成，这样所耗费的人力成本巨大。并且由于人体的视觉感官的局限性以及长时间工作后的疲劳性，人工打出来的标签往往准确率低，同时标签形式也不统一。尤其是在材料缺陷检测领域，缺陷的类型众多，同时有些缺陷十分细微，难以被肉眼发现，所以人工打标的方式在这种场景下具有相当大的局限性。同时传统打标软件的下载安装过程往往比较复杂。而与此同时，机器视觉在图像处理尤其是图像检测领域的发展越来越成熟其分辨率和精度已经达到了相当高的水平。

现有技术中公开了一种缺陷打标方法和系统的专利，该专利系统包括设置在待检测产品上方的视野可以覆盖待检测产品的X轴方向的至少一个摄像装置，待检测产品在传输轴的运动下沿Y轴运动，传输轴与编码器连接；该专利方法包括：通过至少一个摄像装置采集待检测产品的目标检测图像，根据目标检测图像确定目标缺陷的位置信息；获取编码器读数，根据编码器读数计算运行长度；根据打标装置的位置信息、目标缺陷的位置信息、摄像装置的位置信息以及运行长度，确定目标缺陷是否到达打标装置的预设范围内，若是，则控制打标装置在待检测产品上进行缺陷标记；采用本发明专利，可以提高连续性材料的缺陷打标的精度。然而，该专利对于采用端云协同的部署模式，来解决传统软件使用起来安装复杂的问题却没有任何的报道。

发明内容

本发明提供一种基于深度学习和机器视觉的端云协同缺陷打标系统，该系统将深度学习中的图像分类算法与机器视觉算法相结合来实现自动打标，来解决人工打标的局限性；将打标算法运行于服务器端，采用端云协同的部署模式，来解决传统软件使用起来安装复杂的问题。

本发明的又一目的在于提供一种应用在上述系统中的基于深度学习和机器视觉的端云协同缺陷打标方法。

为了达到上述技术效果，本发明的技术方案如下：

一种基于深度学习和机器视觉的端云协同缺陷打标系统，包括用户终端、前端系统、后端系统，其中前端系统和后端系统均部署在云端服务器；

所述用户终端用于向用户提供可操作界面和人机交互接口；

所述前端系统用于支持用户终端，向用户提供该端云协同缺陷检测系统中各种可视化操作界面；

所述后端系统用于获取用户从可视化操作界面输入的待打标图片，然后完成缺陷信息打标，并将检查结果返回给可视化操作界面；同时，存储带有样品缺陷的图片和用户信息，以及封装好的机器视觉算子库。

进一步地，所述后端系统包括后台服务器和储服务器，后台服务器用于从前台服务器获取用户从所述可视化操作界面输入的待打标图片，然后自动调用其中的打标方法完成缺陷信息打标，并将检查结果返回给所述可视化操作界面；储服务器是数据库系统，用于存储带有样品缺陷的图片和用户。