[发明专利]一种缺陷检测方法、装置及电子设备

说明书

本发明实施例提供了一种缺陷检测方法、装置及电子设备，其中，缺陷检测方法包括：获取待检测图像；将待检测图像输入预先训练的深度学习网络模型，得到待检测图像对应的多值图；根据待检测图像及多值图，对多值图中的像素进行调整，得到待检测图像中的缺陷区域。通过本方案，可以提高缺陷检测的准确度。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种缺陷检测方法、装置及电子设备。

背景技术

物品表面的斑点、凹坑、划痕、色差、缺损等缺陷，直接影响着物品的美观、性能等属性，因此，需要对物品进行缺陷检测。缺陷检测是指识别物品表面是否存在缺陷、确定缺陷区域的位置及缺陷的类型，传统的缺陷检测是通过人眼观察的方式实现的。这种缺陷检测方式不仅人工耗时大，且易出现检测错误。随着机器视觉检测技术的发展，深度学习方法已取代了人工检测，通过对物品进行拍照，对拍摄得到的待检测图像进行深度学习运算，分析得到待检测图像中的缺陷区域，进而实现了机器自动化地检测物品表面缺陷。

深度学习是机器学习中的一个新兴领域，通过建立深度学习网络，模仿人脑的机制来解析数据。基于深度学习的缺陷检测方法中，通过将待检测图像输入到预先基于样本图像训练得到的深度学习网络中，通过深度学习网络的运算、分析，可以得到缺陷的类别以及缺陷区域在待检测图像中的位置等信息。

但是，在实际场景中，缺陷特征与其他区域特征的区别可能较小，通过深度学习网络，无法对特征区别很小的区域作以区分，导致缺陷检测的准确度较低。

发明内容

本发明实施例的目的在于提供一种缺陷检测方法、装置及电子设备，以提高缺陷检测的准确度。具体技术方案如下：

第一方面，本发明实施例提供了一种缺陷检测方法，所述方法包括：

获取待检测图像；

将所述待检测图像输入预先训练的深度学习网络模型，得到所述待检测图像对应的多值图；

根据所述待检测图像及所述多值图，对所述多值图中的像素进行调整，得到所述待检测图像中的缺陷区域。

可选的，所述深度学习网络模型的训练方式，包括：

获取原始样本图像，所述原始样本图像包括多个缺陷样本图像及多个无缺陷样本图像；

对所述原始样本图像进行处理，得到扩展样本图像；

将所述原始样本图像和所述扩展样本图像作为训练样本，训练得到深度学习网络模型。

可选的，所述对所述原始样本图像进行处理，得到扩展样本图像，包括：

对任一所述原始样本图像进行增强操作，得到扩展样本图像，所述增强操作包括旋转操作、随机亮度变换操作和翻转操作中的至少一种。

可选的，在所述训练得到深度学习网络模型之前，所述方法还包括：

获取预设数据集中的图像数据；

将所述预设训练集中的图像数据作为训练样本，预训练深度学习网络模型；

所述将所述原始样本图像和所述扩展样本图像作为训练样本，训练得到深度学习网络模型，包括：

根据所述原始样本图像和所述扩展样本图像，对预训练后的深度学习网络模型进行调整，得到深度学习网络模型。

可选的，所述多值图中各个像素的像素值固定；所述多个像素的像素值是通过对所述待检测图像进行语义分割处理得到的；

所述根据所述待检测图像及所述多值图，对所述多值图中的像素进行调整，得到所述待检测图像中的缺陷区域，包括：

获取所述待检测图像中相邻像素之间的关联关系；