[发明专利]产品缺陷检测方法和装置

说明书

本发明提供了一种产品缺陷检测方法和装置，其中，所述方法包括以下步骤：构建可变形卷积缺陷检测模型；获取待检测产品的图像数据；均衡处理图像数据以得到样本数据；根据样本数据训练可变形卷积缺陷检测模型；采用训练后可变形卷积缺陷检测模型对待检测产品进行缺陷检测。本发明能够保证样本数据的均衡性，从而能够防止可变形卷积缺陷检测模型的过度训练，此外，还能够增强可变形卷积缺陷检测模型的泛化能力和鲁棒性，进而能够提升可变形卷积缺陷检测模型的跨平台性能。

技术领域

本发明涉及缺陷检测技术领域，具体涉及一种产品缺陷检测方法和一种产品缺陷检测装置。

背景技术

深度学习应用在手机表面缺陷检测的训练过程中，既要考虑到不同缺陷样本类别的不均衡性，同时也要考虑到模型的泛化能力。不同的手机项目一般需要构建新的检测模型，并重新进行训练，导致模型的泛化能力较弱，此外，不同的手机表面纹理、颜色都不一样，如何建立泛化能力较强的模型面临较大的挑战。

发明内容

本发明为解决上述技术问题，提供了一种产品缺陷检测方法，能够保证样本数据的均衡性，从而能够防止可变形卷积缺陷检测模型的过度训练，此外，还能够增强可变形卷积缺陷检测模型的泛化能力和鲁棒性，进而能够提升可变形卷积缺陷检测模型的跨平台性能。

本发明采用的技术方案如下：

一种产品缺陷检测方法，包括以下步骤：构建可变形卷积缺陷检测模型；获取待检测产品的图像数据；均衡处理所述图像数据以得到样本数据；根据所述样本数据训练所述可变形卷积缺陷检测模型；采用训练后所述可变形卷积缺陷检测模型对所述待检测产品进行缺陷检测。

根据本发明的一个实施例，所述可变形卷积缺陷检测模型包括第一检测模块、第二检测模块、第三检测模块和第四检测模块，所述第二检测模块分别与所述第一检测模块和所述第三检测模块相连，所述第二检测模块和所述第三检测模块通过ROI Align网络连接所述第四检测模块，其中，所述第一检测模块为残差网络，具体包括第一梯度、第二梯度、第三梯度和第四梯度，并且所述第一梯度、所述第二梯度、所述第三梯度和所述第四梯度均由层叠残差网络构成；所述第二检测模块为FPN（Feature Pyramid Networks，特征金字塔）网络；所述第三检测模块为RPN（Region Propose Network，区域提取网络）网络；所述第四检测模块为Head网络。

根据本发明的一个实施例，所述层叠残差网络包括第一类层叠残差网络和第二类层叠残差网络，其中，所述第一类层叠残差网络包含DCL（Deformable Convolution Layer，可变卷积层）网络，所述第二类层叠残差网络不包含DCL网络。

根据本发明的一个实施例，所述第一梯度包括三个所述第二类层叠残差网络；所述第二梯度包括四个所述第一类层叠残差网络；所述第三梯度包括六个所述第一类层叠残差网络；所述第四梯度包括三个所述第一类层叠残差网络。

根据本发明的一个实施例，所述待检测产品包括多个项目平台产品，所述图像数据包括所述多个项目平台产品的图像数据。

根据本发明的一个实施例，均衡处理所述图像数据以得到样本数据，具体包括以下步骤：采用CycleGAN网络均衡处理所述图像数据以得到样本数据。

根据本发明的一个实施例，根据所述样本数据训练所述可变形卷积缺陷检测模型，具体包括以下步骤：对所述样本数据进行标注分配以得到训练集、验证集和测试集；对所述训练集在线数据增强操作，以得到待输入训练集；对所述测试集和所述验证集分别进行TTA操作，以对应得到待输入测试集和待输入验证集；根据所述待输入训练集、所述待输入测试集和所述待输入验证集训练所述可变形卷积缺陷检测模型。