[发明专利]一种产品缺陷检测方法、系统、装置及存储介质

说明书

本发明公开了一种产品缺陷检测方法，该检测方法采用卷积神经网络进行模型训练时，只采集合格产品的图片作为训练样本，然后通过模型训练图和输出的模型特征图进行做差处理得到差异图，在对差异图进行处理得到差异块的差异阈值，最后通过判断检测产品差异图中的差异值与差异阈值的大小比例确定该产品是否合格。由于在生产线上合格产品的图往往占据绝大部分比例，因此搜集足够模型训练用的合格图需要的时间比搜集足够模型训练用的不合格图的时间至少减少80%。可以大大缩短图片收集所需要的时间，以快速将生产线能够快速投入生产。本专利还公开了实现上述方法的系统、装置及存储介质。

技术领域

本发明涉及图像检测技术领域，特别涉及一种用于通过图像检测技术领域检测产品产品表面缺陷的方法、系统、装置及存储介质。

背景技术

随着工业技术的快速发展，生产效率越来越高，很多产品都实现了自动化生产，在自动化生产过程中，不可避免的仍会产生缺陷产品，为此如何能够快速的产品进行检测在自动化生产过程中也起着非常重要的作用。以电子产品生产为例，产品在生产过程中元件焊接时可能会出现虚焊、漏焊的情况，目前检测主要采用AOI自动光学检测技术，通过光学原理来对焊接生产中遇到的常见缺陷进行检测。随着深度学习的不断发展，为以计算机视觉技术为基础的产品缺陷检测技术得到了非常广泛的应用。

如发明专利（专利号：202010552242.7）公开了一种基于可变形卷积的产品表面缺陷检测模型：包括模块一、多个模块二和模块三，表面缺陷图像数据通过模块一处理后作为模块二的输入，经过模块二处理后再通过模块三输出检测结果；所述模块一包括正常卷积层和batch-normalization层，对表面缺陷图像数据进行处理，利用正常卷积层对产品表面缺陷图像数据的特征进行初步提取，再利用batch-normalization层对特征数据进行归一化处理，防止网络过拟合；所述模块二包括正常卷积层、可变形卷积层和batch-normalization层，模块二中首先利用正常卷积层对模块二的输入数据的特征进行提取，再利用可变形卷积层对数据中的多角度缺陷特征进行提取，最后利用batch-normalization层对特征数据进行归一化，防止网络过拟合；所述模块三包括两层全连接层，首先使用第一个全连接层对模块三的输入数据进行处理，随后将第二个全连接层作为输出层对数据进行处理，最后输出层所有节点的输出结果为检测结果，最后输出层的激活函数采用sigmoid激活函数，输出结果采用one-hot编码方式，每种缺陷的检测结果对应一个输出节点，输出节点数等于缺陷种类数。

这种检测模型在进行训练时需要使用大量的缺陷产品作为训练样本，然而在实际生产过程中，由于技术的不断提高，缺陷样品的数量很少，因此这需要较长的时间对缺陷样本进行收集，而且还会影响训练模型的准确度，为此有必要对现有的检测方法做进一步的改进。

发明内容

为克服上述现有技术中的不足，本发明的目的在于设计一种产品缺陷检测方法，其包括如下步骤：

1）图像采集及预处理：采集多个合格产品的图像作为模型训练样本图，将采集的模型训练样本图进行图像归一化处理，形成模型训练图；

2）构建神经网络模型，并通过模型训练图对神经网络模型完成模型训练；

3）将步骤1）中的模型训练图输入神经网络模型，得到神经网络模型输出的模型特征图；

4）将步骤1）中采集的所有模型训练图和与其对应的模型特征图进行做差处理得到差异图；

5）对差异图采用池化函数进行下采样，将差异图分为多个差异块，将多个差异图中位置对应的差异块的差异值一一对应进行比较，以每个位置差异块最大的差异值作为该位置差异块的判断阈值；

6）采集需要检测产品的图像并进行预处理，得到标准检测图；

7）将标准检测图输入到神经网络模型，神经网络模型输出检测产品特征图；

8）将标准检测图像与检测产品特征图进行做差处理得到检测产品差异图，并采用池化函数进行下采样，将检测产品差异图分为多个差异块，并计算每个差异块的差异值；