[发明专利]一种刷具多种缺陷的AI检测方法

说明书

本发明实施例公开了一种刷具多种缺陷的AI检测方法，包括以下步骤：获取无缺陷牙刷及缺陷牙刷表面的原始图像数据；将所述原始图像数据，通过图像处理转换为灰度图，并对缺陷牙刷图像的缺陷进行标注，按照预设的样本比例，完成缺陷特征样本及无缺陷特征样本的构建；按照分割网络结合多标签分类网络的方式搭建好初始卷积神经网络模型后，输入所述特征样本，激活预设的卷积神经网络模型，根据预设训练代数、网络参数进行迭代训练，完成模型测试后，保存训练好的卷积神经网络模型；将待检测的样本图像数据输入所述训练好的卷积神经网络模型中进行多种缺陷识别。采用本发明，能对刷具的常见缺陷进行自动识别，在避免反复调参及保证检测算法泛化能力的前提下，智能判别多种缺陷；通过进一步优化算法框架，适应现今工业需求，每类缺陷使用少于或等于30张缺陷样本即可完成训练。

技术领域

本发明涉及智能检测领域，特别涉及一种刷具多种缺陷的AI检测方法。

背景技术

目前牙刷产品的生产具有产量高、生产速率快等生产特点，同时牙刷产品种类繁多，在生产过程中产生的缺陷种类也不少，部分缺陷特征非常细微，高效准确地完成牙刷的缺陷检测及分类有一定的难度。当前牙刷缺陷检测的方法有人工检测、视觉检测等，人工检测容易造成工人疲劳，且检测效率和准确性并不稳定；基于视觉的牙刷缺陷检测通常根据具体应用场景设定相应的模型和参数，模型泛化能力不足，对不同工况的适应性较差。人工智能已成为当下热门的研究领域，在工业领域常被应用于产品表面缺陷检测，但采用深度学习实现牙刷缺陷检测的相关研究目前尚少，同时也面临传统的深度学习模型需要成千上万的数据样本，导致其在工业领域难以落地应用。

专利CN 108362705 A提供了一种基于视觉分析的牙刷刷毛检测方法，通过在牙刷底部打背光，摄像机向下对牙刷拍照，这样具有牙刷毛的位置被显示为黑色，通过检测牙刷毛孔里的白色像素判断牙刷毛的根数，即根据白色像素面积判断牙刷毛根数是否缺少，当牙刷到达剔除位置时调出检测结果，若牙刷刷毛根数小于设定的阈值，由剔除伺服器将不合格的牙刷剔除掉。该方法需要根据设备的光照强度，角度等参数确定白色像素的阈值，当照明器材发生老化或者频闪等导致光照强度改变时会导致原有参数不再适用，可能产生漏检或误检问题，故该方法对硬件设备一致性要求高，可移植性差；另一方面，面对一些新款牙刷产品，该方法无法通过原有算法参数调整实现算法迁移，必须大幅度修改算法架构才能达到期望目的，研发成本较高；

专利CN 110658202 A提供了一种基于深度学习检测产品缺陷的方法，通过将待测工件置于检测平台上，在稳定、均匀的照明环境下，使用检测平台上的相机获取待测工件外表面的图像数据；然后对获取的图像数据进行图像前期处理(包括去噪、滤波、裁剪、旋转、拉伸、亮度修正、颜色转换、图像分割、分辨率调整、二值化、区域标记和轮廓提取)，得到待诊断图像；基于深度学习构建卷积神经网络模型，根据样本图像数据集对卷积神经网络模型进行迭代训练，然后进行测试，测试完成后输出训练成功的卷积神经网络模型；最后对待诊断图像进行判断，并自动判断缺陷类型和参数指标，最终输出待测图像的识别结果。其深度学习模型设计简单，为普通卷积神经网络模型(使用24个卷积层和2个全连接层即完成卷积神经网络模型搭建)，作为传统的深度学习模型，这种模型需要基于大量的样本图像数据集对卷积神经网络模型进行迭代训练达到模型的优化，这种方法一方面需要进行大量的样本标记，耗费的人力成本较高；另一方面，传统的深度学习模型对样本不一定有适应性，在面对复杂或区分度较小的缺陷分类问题时，训练的效率和模型的准确度都不高。

发明内容

本发明实施例所要解决的技术问题在于，提供一种刷具多种缺陷的AI检测方法。可使得牙刷缺陷检测能在较少样本的情况下就能完成准确的多种缺陷识别以及多标签分类。

为了解决上述技术问题，本发明实施例提供了一种刷具多种缺陷的AI检测方法，包括以下步骤：

S1：获取牙刷表面的原始图像数据；