[发明专利]工件缺陷检测方法和装置

说明书

本发明提供了一种工件缺陷检测方法和装置，其中，所述方法包括以下步骤：获取待检测工件的缺陷标注数据；采用图像像素分解重构算法对所述缺陷标注数据进行增强；根据增强后的所述缺陷标注数据构建缺陷检测模型；根据所述缺陷检测模型对所述待检测工件进行缺陷检测。本发明能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。

技术领域

本发明涉及缺陷检测技术领域，具体涉及一种工件缺陷检测方法和一种工件检测装置。

背景技术

卷积神经网络模型是目前在工件缺陷检测领域十分重要的一项技术，在卷积神经网络中，优良标注的工件缺陷数据集对最终的质检模型性能有很大的影响。但是，目前工件缺陷数据的标注一般由人工完成，可是由于用人成本的提升以及质检领域专家经验的稀少，优良标注的工件缺陷数据的产出大概每天100张，要达到足够卷积神经网络训练所需要的数据量则需要一个月左右，倘若在数据量不够时开始训练，最终的工件缺陷检测模型又很难获得一个良好的检测效果。

为了扩充数据集，传统的卷积神经网络算法会使用数据增强算法：对收集到的数据集进行简单的变形，裁切，更换颜色空间等处理，实现将小目标变大或大目标变小，抑或是图像颜色风格的更改以实现对原本数据集的扩充。但是，通过该策略生成的“新数据集”相比于原本数据集特征模式依然没有本质区别，类间特征模式依然没有改变，难以用于工件缺陷检测任务。

发明内容

本发明为解决上述技术问题，提供了一种工件缺陷检测方法，能够保证用于检测的数据的丰富性，从而能够确保检测模型性能，提高检测的精度和稳定性。

本发明采用的技术方案如下：

一种工件缺陷检测方法，包括以下步骤：获取待检测工件的缺陷标注数据；采用图像像素分解重构算法对所述缺陷标注数据进行增强；根据增强后的所述缺陷标注数据构建缺陷检测模型；根据所述缺陷检测模型对所述待检测工件进行缺陷检测。

根据本发明的一个实施例，获取待检测工件的缺陷标注数据，包括以下步骤：获取所述待检测工件的原始数据；采用语义分割算法对所述原始数据进行缺陷标注得到所述缺陷标注数据。

根据本发明的一个实施例，采用图像像素分解重构算法对所述缺陷标注数据进行增强，包括以下步骤：对所述缺陷标注数据进行逐像素拆分并聚类得到原子数据；采用多种数据增强算法分别对所述原子数据进行数据增强得到相应的扩张数据；采用卷积神经网络对所述扩张数据的准确率进行评判，并根据评判结果选择三种所述数据增强算法作为最终的数据增强算法；根据所述最终数据增强算法对所述缺陷标注数据进行增强。

根据本发明的一个实施例，对所述缺陷标注数据进行逐像素拆分并聚类得到原子数据，包括以下步骤：根据缺陷类别对所述缺陷标注数据进行逐像素拆分；将含有相同缺陷类别的像素聚类；判断聚类后的含有相同缺陷类别的像素之间的距离是否超过预设距离；若是，则对聚类后的含有相同缺陷类别的像素进行拆分转换得到相应的原子数据。

根据本发明的一个实施例，根据增强后的所述缺陷标注数据构建缺陷检测模型，包括以下步骤：根据增强后的所述缺陷标注数据得到训练样本和测试样本；根据所述训练样本进行迭代训练得到所述缺陷检测模型，并采用所述测试样本对所述缺陷检测模型进行测试。

一种工件缺陷检测装置，包括：获取模块，所述获取模块用于获取待检测工件的缺陷标注数据；数据增强模块，所述数据增强模块采用图像像素分解重构算法对所述缺陷标注数据进行增强；建模模块，所述建模模块用于根据增强后的所述缺陷标注数据构建缺陷检测模型；检测模块，所述检测模块用于根据所述缺陷检测模型对所述待检测工件进行缺陷检测。

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，实现上述的工件缺陷检测方法。

一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的工件缺陷检测方法。