[发明专利]表面缺陷检测模型训练方法、表面缺陷检测方法及系统

说明书

本发明公开了一种表面缺陷检测模型训练方法、表面缺陷检测方法及系统，其中表面缺陷检测模型训练方法包括：获取产品的正常图片和与产品无关的外部图片；将所述正常图片和所述外部图片输入到基于深度神经网络的表面缺陷检测模型中，对基于深度神经网络的表面缺陷检测模型进行训练，得到表面缺陷检测模型。本发明无需采集带有缺陷的产品图片，仅需采集产品的正常图片和与产品无关的外部图片就能训练得到表面缺陷检测模型，解决了现有技术中带有缺陷的产品图片采集困难、集采成本高以及缺陷与否阈值难以确定等问题，模型的可靠性较高，适于大范围推广应用。

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种表面缺陷检测模型训练方法、表面缺陷检测方法及系统。

背景技术

随着工业的快速发展，人们对产品的质量越来越关注，提出的要求也越来越严格。由于产品在生产过程中往往会出现一些缺陷，这些缺陷具有一定的随机性，即缺陷类型、形状大小各异，因此产品表面缺陷检测作为生产过程中最重要的工序之一，它将直接影响到产品质量以及用户体验。

此前，针对产品表面的缺陷检测，许多厂家仍是以人工检测为主，即通过人工目视的方式观察产品表面是否存在缺陷，然后利用经验知识判断缺陷所属的类别。这种方式虽然简单，但存在易受人员主观意识影响，耗时费力且检测精度难以保证的缺陷，所以正逐渐被各大厂家弃用。后来，有人提出了基于深度学习的表面缺陷检测技术，该技术的核心是利用机器视觉代替人眼视觉去参与产品的质量监控。由于不仅可以降低人力成本，以排除人的主观意识和视觉疲劳所造成的判断差异的影响，而且还能提高了检测效率和精度，减小了检测误差，因此该技术自提出之日起，就迅速被应用到了产品表面的缺陷检测工序中，成为了当今制造业的发展趋势。

目前，基于深度学习的表面缺陷检测技术通常需要预先采集一些带有缺陷的产品图片和无缺陷的产品图片，以作为缺陷检测模型的训练数据。然而在实际的应用过程中，相对于无缺陷的产品图片而言，采集带有缺陷的产品图片的难度是比较大的，因为带有缺陷的产品图片的数量比较少，往往是很多张无缺陷的产品图片中才会出现一张带有缺陷的产品图片，这就使得带有缺陷的产品图片的采集代价较大，甚至无法采集到带有缺陷的产品图片，从而导致带有缺陷的产品图片的数量远远达不到缺陷检测模型训练的数量级。此外，在训练缺陷检测模型时，对于产品图片有无缺陷的阈值设置需要多次试验才能得到一个合理的阈值，这直接导致所训练得到的缺陷检测模型的稳定性会随着阈值设置的高低而变化，可靠性较差。

因此，对现有的基于深度学习的表面缺陷检测技术进行改进，以解决上述问题就显得非常有必要。

以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。

发明内容

本发明提供一种表面缺陷检测模型训练方法、表面缺陷检测方法及系统，以解决现有技术的不足。

本发明实施例第一方面公开一种表面缺陷检测模型训练方法；

作为一种可选的实施方式，在本发明实施例第一方面中，所述方法包括：

获取产品的正常图片和与产品无关的外部图片；

将所述正常图片和所述外部图片输入到基于深度神经网络产品表面缺陷检测模型中，对所述缺陷检测模型进行训练，得到表面缺陷检测模型。

作为一种可选的实施方式，所述表面缺陷检测模型训练方法中，将所述正常图片和所述外部图片输入到基于深度神经网络的表面缺陷检测模型中，对所述基于深度神经网络的表面缺陷检测模型进行训练，得到表面缺陷检测模型的步骤包括：

将所述正常图片和所述外部图片输入到基于深度神经网络的表面缺陷检测模型中；