[发明专利]一种缺陷检测方法、系统、装置及存储介质

说明书

本发明公开了一种缺陷检测方法、系统、装置及存储介质，缺陷检测方法通过基于第一数据集和多尺度的第二数据集，采用轻量结构中的ReLU激活函数训练神经网络模型，加快了神经网络模型训练的收敛速度，并提升了神经网络模型的泛化能力，提高了模型性能；通过基于多个预设视角拍摄待检测对象得到的第三数据集训练第一模型，实现对第一模型的知识蒸馏，得到第二模型，从而实现了更容易部署的轻量化模型，同时基于第二模型对待检测对象进行缺陷检测得到缺陷检测结果，提升了缺陷检测的精准度、可靠性和效率。本发明可广泛应用于图像处理技术领域。

技术领域

本申请涉及图像处理技术领域，尤其是一种缺陷检测方法、系统、装置及存储介质。

背景技术

随着大数据时代的兴起以及深度学习的飞速发展，工业界的主流缺陷检测技术逐渐以深度学习为基础，涌现了许多图像缺陷深度学习算法。在真实复杂的工业环境下，表面缺陷检测往往面临诸多挑战，例如缺陷成像与背景差异小、对比度低、缺陷尺度变化大且类型多样，缺陷图像中存在大量噪声，甚至缺陷在自然环境下成像存在大量干扰等，难以取得较好的效果。因此，现有技术越来越多地将深度学习方法与传统图像算法相结合，将可能的解的子空间嵌入到较低维的模型中。

例如，在进行机床刀具的缺陷检测时，多视角的缺陷检测方法检测精度更高。然而，目前没有将多视角深度学习模型应用于真实场景的刀具缺陷检测的案例，其原因包括：在不确定的视角下拍摄得到的刀具图像不稳定或者过于泛化。其中，不稳定的刀具图像会导致同一个视角的拍摄的图像与算法模拟的差异较大，导致缺陷检测的精准度和可靠性较低；而过于泛化的刀具图像之间相似度较高，即大部分视角的图像类似，导致大部分视角的图像的缺陷检测结果类似，同样降低了缺陷检测的精准度和可靠性。此外，目前的多视角深度学习模型较大，部署难度较高，应用于缺陷检测时模型收敛速度较慢，检测效率较低。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例提供一种缺陷检测方法、系统、装置及存储介质，提高了缺陷检测的精准度、可靠性和效率，降低了模型部署的难度。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

一方面，本发明实施例提供了一种缺陷检测方法，包括以下步骤：

获取第一数据集和第二数据集，所述第一数据集为开源的缺陷数据集，所述第二数据集为待检测对象不同尺度的单一视角数据集；

基于所述第一数据集和所述第二数据集，采用ReLU激活函数训练神经网络模型，得到第一模型；

对所述待检测对象进行多个预设视角的拍摄，得到第三数据集；

基于所述第三数据集训练所述第一模型，得到第二模型，所述第二模型为所述第一模型进行知识蒸馏后得到的轻量化模型；

采用所述第二模型对所述待检测对象进行缺陷检测，得到所述待检测对象的缺陷检测结果。

本发明实施例的一种缺陷检测方法，通过基于第一数据集和多尺度的第二数据集，采用轻量结构中的ReLU激活函数训练神经网络模型，加快了神经网络模型训练的收敛速度，并提升了神经网络模型的泛化能力，提高了模型性能；通过基于多个预设视角拍摄待检测对象得到的第三数据集训练第一模型，实现对第一模型的知识蒸馏，得到第二模型，从而实现了更容易部署的轻量化模型，同时基于第二模型对待检测对象进行缺陷检测得到缺陷检测结果，提升了缺陷检测的精准度、可靠性和效率。

另外，根据本发明上述实施例的一种缺陷检测方法，还可以具有以下附加的技术特征：

进一步地，本发明实施例的一种缺陷检测方法中，所述获取第二数据集，包括：

采集所述待检测对象的单一视角数据集；