[发明专利]一种基于智能视觉的工业外观检测方法有效
申请号: | 201710719954.1 | 申请日: | 2017-08-21 |
公开(公告)号: | CN107657603B | 公开(公告)日: | 2020-07-14 |
发明(设计)人: | 梁斌焱;陈志鸿;邹河彬;王燕波;王妍 | 申请(专利权)人: | 北京精密机电控制设备研究所 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 中国航天科技专利中心 11009 | 代理人: | 庞静 |
地址: | 100076 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 智能 视觉 工业 外观 检测 方法 | ||
本发明提供了一种基于智能视觉的工业外观检测方法,该方法包括如下步骤:(1)、获取多个产品外观瑕疵样本,含同一个瑕疵的样本包含多个不同角度或位置拍摄的图像;(2)、对产品外观瑕疵样本中的瑕疵图像标注,确定图像中瑕疵的所属的类别;(3)、根据产品外观瑕疵样本、图像中瑕疵的类别,进行深度学习网络训练,得到产品外观深度学习模型;(4)、实时获取被测产品外观图像,采用产品外观深度学习模型,对该产品外观图像采取深度学习方法进行检测;(5)、多个角度和位置的图像被深度学习模型识别后,任一图像被识别出瑕疵,即可认为该产品存在瑕疵。本发明处理效率高,检测精度超过人类的检测精度,且检测标准统一,避免了重复性检测。
技术领域
本发明涉及一种基于智能视觉的工业外观检测方法,属于工业外观检测领域。
背景技术
在工业检测领域,外观检测是一项重要内容,外观的好坏在一定程度上影响这产品的质量,现阶段的外观检测自动化程度低,大部分依靠人工检测,即使在少量利用图像处理做检测的自动化设备中,也存在一定缺陷。
现阶段的工业外观检测主要存在以下问题:
1.基于图像处理的自动化检测设备对外观特征的提取不足,主要是外观检测瑕疵多种多样,单一的图像处理难以满足多样化的检测需求,检测精度低。
2.现有的深度学习智能识别模型,由于特征提取需要样本多样化,不能直接用在工业产品检测上,导致工业外观的检测智能利用图像处理等精度低的自动化手段。
3.人工检测带来了成本高、检测效率底下的问题。
4.检测标准不统一,人和人的检测标准差别较大,检测结果不稳定。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提出一种基于智能视觉的工业外观检测技术,采用深度学习的检测方法对产品外观进行快速检测。
本发明的技术解决方案是:一种基于智能视觉的工业外观检测方法,该方法包括如下步骤:
(1)、获取M个产品外观瑕疵样本,M大于等于3000,所述样本为包含外观瑕疵的产品图像,所述包含外观瑕疵的产品图像通过摄像机拍摄固定在检测工装上的包含外观瑕疵的产品获得,包含同一个瑕疵的样本有多个,分别为多个不同角度或位置拍摄的图像;
(2)、人工对产品外观瑕疵样本中的瑕疵图像标注,确定图像中瑕疵的所属的类别;
(3)、根据产品外观瑕疵样本、步骤(2)所确定的图像中瑕疵的类别,进行深度学习网络训练,得到产品外观深度学习模型;
(4)、实时获取被测产品外观图像,采用步骤(3)所得到的产品外观深度学习模型,对该产品外观图像采取深度学习方法进行检测,识别图像中瑕疵类别,所述被测产品外观图像通过摄像机拍摄固定在检测工装上的被测产品获得,同一被测产品外观图像有多个,分别为多个不同角度或位置拍摄的图像;
(5)、多个角度和位置的产品外观图像被深度学习模型识别后,如果其中某一个或几个图像被识别出瑕疵,即可认为该产品为存在瑕疵的产品。
所述检测工装至少包括3个自由度,调整检测工装的角度和位置即可获取多个角度和位置的被测产品外观图像。
根据产品外观瑕疵样本、步骤(2)所确定的图像中瑕疵的类别,进行深度学习网络训练,得到产品外观深度学习模型的具体实现为:
(3.1)、采用预设的深度学习训练模型,通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度;
(3.2)、分析各类别置信度,选取最高置信度类别作为样本所包含的瑕疵所属的类别Z;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京精密机电控制设备研究所,未经北京精密机电控制设备研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710719954.1/2.html,转载请声明来源钻瓜专利网。