[发明专利]基于分割网络的频域空间结合的玻璃缺陷检测方法

说明书

本申请公开了一种基于分割网络的频域空间结合的玻璃缺陷检测方法，包括如下步骤：构建包含玻璃缺陷图像的图像数据集，并对所述图像数据集中的对象进行灰度处理，得到预训练数据模型；采集玻璃制品的图像，再通过频域结合空间分析处理所采集的图像，得到图像的频率特征；处理后的图像进行反卷积处理，提取图像中的高维特征作为特征点；采用卷积神经网络对待检测图像中的所述特征点进行分割训练，得到测试数据集；应用所述预训练数据模型对所述测试数据集进行训练分类，得出检测结果。本申请可有效提高玻璃检测的效率，缩短检测时间且提高产品良品率，并且有效降低人工成本的投入。

技术领域

本申请涉及视觉识别处理技术领域，特别是涉及一种基于分割网络的频域空间结合的玻璃缺陷检测方法。

背景技术

随着工业科技的不断发展和进步，用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的，比如说玻璃制品的气泡，斑块，开裂，点蚀表面，内含物和划痕等等。人工检测是产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的检测方法可以很大程度上克服上述弊端，同时能够有效提高检测效率，降低人工成本，但目前还缺少针对性的检测方式来实现玻璃缺陷的机器识别。

发明内容

本申请的目的在于克服上述问题，提供了一种基于分割网络的频域空间结合的玻璃缺陷检测方法，可有效提高玻璃检测的效率，缩短检测时间且提高产品良品率，并且有效降低人工成本的投入。

根据本申请的一个方面，提供了一种基于分割网络的频域空间结合的玻璃缺陷检测方法，包括如下步骤：

构建包含玻璃缺陷图像的图像数据集，并对所述图像数据集中的对象进行灰度处理，得到预训练数据模型；

采集玻璃制品的图像，再通过频域结合空间分析处理所采集的图像，得到图像的频率特征；

对处理后的图像进行反卷积处理，提取图像中的高维特征作为特征点；

采用卷积神经网络对待检测图像中的所述特征点进行分割训练，得到测试数据集；

应用所述预训练数据模型对所述测试数据集进行训练分类，得出检测结果。

可选地，在采集玻璃制品的图像，再通过频域结合空间分析处理所采集的图像，得到图像的频率特征时，是采用傅里叶变换对图像进行采样和量化，并采用函数f(x,y)以频率域表征图像，进而得出图像中的频率特征。

可选地，所述函数f(x,y)包括多个正弦函数，各个正弦函数具有独立的频率作为一所述频率特征。

可选地，对处理后的图像进行反卷积处理，提取图像中的高维特征作为特征点的过程中，是通过全卷积网络对图像中每个像素点进行反卷积，以其中出现的高维高频变化的特征作为特征点。

可选地，通过全卷积网络对图像中每个像素点进行反卷积的过程还包括通过卷积神经网络对具有所述特征点的特征图进行上采样，得到与原始图大小相同的若干个特征图输出。

可选地，采用卷积神经网络对待检测图像中的所述特征点进行分割训练，得到测试数据集的过程中，对所述若干个特征图输出进行多次卷积操作，将特征图输出进行缩小进而得到所述测试数据集。

特别地，本发明还提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法。

本发明还提供了一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的方法。所述计算机可读存储介质优选为非易失性可读存储介质。