[发明专利]缺陷分类识别方法、装置、计算机设备和存储介质

说明书

本申请涉及一种缺陷分类识别方法、装置、计算机设备和存储介质，所述方法通过获取原始图像，按照预设滑动窗口和滑动步长将原始图像分割成多个子图像，将各个子图像输入已训练的缺陷识别模型中，通过已训练的深度卷积网络模型提取各个子图像的图像特征，将各个子图像的图像特征输入分类识别模型，得到各个子图像的缺陷的分类识别结果，根据各个子图像的缺陷的分类识别结果确定原始图像的缺陷类型。通过对图像进行分割，将分割后的图像通过已训练的深度卷积网络模型快速、准确的提取图像的特征，分类识别模型对提取的特征进行分类识别得到对应的分类识别结果，提高了识别速度和识别准确率。

技术领域

本申请涉及计算机技术领域，尤其涉及一种缺陷分类识别方法、装置、计算机设备和存储介质。

背景技术

目前，针对材料的表面缺陷的检测，主要依靠人工检测，通过工人对加工好的产品进行现场观察，并对缺陷进行评价来确定产品是否合格。由于检测人员的主观标准很难达成统一，使得检测的实时性和准确性难以满足需求。随着工业生产的速度越来越快，用于检测的人工投入成本越来越大，实时性受到严重影响，误检率也相应增大。为了解决上述技术问题技术人员研发了相应的自动化检测方法与装置，主要是采用图像检测方法，例如采用典型的纹理特征如Gabor小波纹理、灰度共生矩阵纹理、Hu矩特征等。由于材料表面缺陷形式多种多样，尺度和对比度差异较大，现有的检测方法难以满足工业生产的高效、精确的需求。

发明内容

为了解决上述技术问题，本申请提供了一种缺陷分类识别方法、装置、计算机设备和存储介质。

一种缺陷分类识别方法，包括：

获取原始图像，按照预设滑动窗口和滑动步长将原始图像分割成多个子图像；

将各个子图像输入已训练的缺陷识别模型中，已训练的缺陷识别模型包含已训练的深度卷积网络模型和分类识别模型；

通过已训练的深度卷积网络模型提取各个子图像的图像特征；

将各个子图像的图像特征输入分类识别模型，得到各个子图像的缺陷的分类识别结果；

根据各个子图像的缺陷的分类识别结果确定原始图像的缺陷类型。

一种缺陷分类识别装置，包括：

数据获取模块，用于获取原始图像，按照预设滑动窗口和滑动步长将原始图像分割成多个子图像；

数据输入模块，用于将各个子图像输入已训练的缺陷识别模型中，已训练的缺陷识别模型包含已训练的深度卷积网络模型和分类识别模型；

特征提取模块，用于通过已训练的深度卷积网络模型提取各个子图像的图像特征；

分类识别模块，用于将各个子图像的图像特征输入分类识别模型，得到各个子图像的缺陷的分类识别结果，根据各个子图像的缺陷的分类识别结果确定原始图像的缺陷类型。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取原始图像，按照预设滑动窗口和滑动步长将原始图像分割成多个子图像；

将各个子图像输入已训练的缺陷识别模型中，已训练的缺陷识别模型包含已训练的深度卷积网络模型和分类识别模型；

通过已训练的深度卷积网络模型提取各个子图像的图像特征；

将各个子图像的图像特征输入分类识别模型，得到各个子图像的缺陷的分类识别结果；

根据各个子图像的缺陷的分类识别结果确定原始图像的缺陷类型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：