[发明专利]缺陷检测方法、模型训练方法、装置、设备、介质及产品

权利要求书

1.一种表面缺陷检测方法，其特征在于，包括：

获取待检电芯密封圈图像，以及样本电芯密封圈的无缺陷正面图像和无缺陷反面图像；

对所述待检电芯密封圈图像，以及所述样本电芯密封圈的无缺正面陷图像和无缺陷反面图像的前景目标像素进行数据构造，得到构造后的多通道前景目标图像；

提取所述多通道前景目标图像的高级特征，所述高级特征包括：待检电芯密封圈图像的高级特征，无缺陷正面图像高级特征和无缺陷反面图像高级特征；

将所述待检电芯密封圈图像的高级特征，分别与所述无缺陷正面图像高级特征和无缺陷反面图像高级特征进行对抗分类，得到所述待检电芯密封圈图像含有表面缺陷的概率值。

2.根据权利要求1所述的表面缺陷检测方法，其特征在于，所述对所述待检电芯密封圈的图像，以及所述样本电芯密封圈的无缺陷正面图像和无缺陷反面图像的前景目标像素进行数据构造，得到构造后的多通道前景目标图像，包括：

对所述待检电芯密封圈图像，以及所述样本电芯密封圈的无缺陷正面图像和无缺陷反面图像分别进行Blob预处理，得到所述待检电芯密封圈图像的前景目标像素，所述无缺陷图像的前景目标像素，以及所述无缺陷反面图像的前景目标像素；

提取所述待检电芯密封圈图像的前景目标像素，所述无缺陷图像的前景目标像素和所述无缺陷反面图像的前景目标像素；

通过分块patch操作，将所述待检电芯密封圈图像的前景目标像素，所述无缺陷图像的前景目标像素和所述无缺陷反面图像的前景目标像素进行数据的空间维度转换，得到多通道前景目标图像。

3.根据权利要求1或2所述的表面缺陷检测方法，其特征在于，所述提取所述多通道前景目标图像的高级特征，包括：

通过卷积神经网络对所述多通道前景目标图像进行卷积处理；

基于卷积处理的第一结果，提取多通道前景目标图像的低级特征；

按照分块patch操作对所述多通道前景目标图像的低级特征进行重组逆变换；

对重组逆变换后的特征进行卷积处理；

基于卷积处理的第二结果，提取多通道前景目标图像的高级特征。

4.根据权利要求3所述的表面缺陷检测方法，其特征在于，所述按照分块patch操作对所述多通道前景目标图像的低级特征进行重组逆变换，包括：

按照分块patch操作对所述多通道前景目标图像的低级特征分别进行水平重组；

对水平重组后的所有低级特征进行垂直重组，得到垂直重组后多通道前景目标图像的低级特征。

5.根据权利要求1或2所述的表面缺陷检测方法，其特征在于，所述将所述待检电芯密封圈图像的高级特征，分别与所述无缺陷正面图像高级特征和无缺陷反面图像高级特征进行对抗分类，得到所述待检电芯密封圈图像含有表面缺陷的概率值，包括：

按照所述数据构造将确定的所述高级特征划分待检电芯密封圈图像的高级特征，无缺陷正面图像高级特征和无缺陷反面图像高级特征；

将所述待检电芯密封圈图像的高级特征进行branch分支预测，得到待检电芯密封圈图像的正反面特性，以及对应面的图像高级特征；

将所述待检电芯密封圈图像的正反面特性与对应面的图像高级特征相结合，并与对应的所述无缺陷正面图像高级特征和所述无缺陷反面图像高级特征分别进行特征对抗，得到所述待检电芯密封圈图像表面缺陷的概率值。