[发明专利]一种产品缺陷检测方法、系统及计算机可读存储介质

权利要求书

1.一种产品缺陷检测方法，其特征在于，包括：

获取定位待检测产品目标区域图像；

根据预设的深度学习识别模型，检测识别所述待检测产品目标区域图像的缺陷。

2.根据权利要求1所述的方法，其特征在于，所述获取定位待检测产品目标区域图像，包括：

获取待检测产品的原始图像w*h，其中w为图像宽度，h为图像高度；

对获取到所述的原始图像进行图像处理，定位目标区域图像。

3.根据权利要求2所述的方法，其特征在于，所述对获取到所述的原始图像进行图像处理，定位目标区域图像，包括：

对获取到的原始图像进行下采样，使w*h的原始图像变为w/2*h/2的区域图像；

对所述区域图像根据预设检测算法定位目标区域图像。

4.根据权利要求3所述的方法，其特征在于，所述对所述区域图像根据预设检测算法定位目标区域图像，具体包括：

所述预设检测算法为直线段检测算法，采用所述直线段检测算法的过程包括：提取所述区域图像中所有直线线段，排除其中的背景噪音线段，对剩余的直线线段在基于特定条件下定位形成目标区域图像。

5.根据权利要求4所述的方法，其特征在于，所述根据预设的深度学习识别模型，检测识别所述待检测产品目标区域图像的缺陷，具体包括：

服务器接收所述目标区域图像；

所述服务器根据预设的深度学习识别模型，对所述目标区域图像进行识别处理，返回识别结果；其中，所述深度学习识别模型运行在所述服务器上。

6.根据权利要求5所述的方法，其特征在于，所述服务器根据预设的深度学习识别模型，对所述目标区域图像进行识别处理，返回识别结果；具体包括：

从深度学习识别模型的深度学习网络中提取指定网络层数的feature map；

获得所有指定网络层数的feature map的类别可信度预测结果和位置预测结果，包括：按照预设匹配策略在feature map中选出最优框；从所述深度学习网络中选取卷积核对所述最优框进行卷积，获得类别可信度预测结果；根据标记框窗口对应的卷积特征，获得预测偏移量，获得位置预测结果；

将获得的类别可信度预测结果和位置预测结果分别合并到Loss层，经损失函数迭代后获得识别结果。

7.根据权利要求6所述的方法，其特征在于，所述预设匹配策略为：首先，寻找与每个标记框的重合度J最大的default box，重合度J最大的default box为最优框；然后将剩余没有配对的default box与任意一个标记框尝试配对，如两者之间的重合度J大于预设阈值，则配对成功，配对成功的default box为次优框；其中，所述标记框为预设的瑕疵点最小外接矩形。

8.根据权利要求7所述的方法，其特征在于，所述将获得的类别可信度预测结果和位置预测结果分别合并到Loss层，经损失函数迭代后获得识别结果；包括：

将获得的类别可信度预测结果和位置预测结果合并到以下损失函数中：

L(x，c，l，g)＝1/N(L_conf(x，c)+αL_lcc(x，t，p))

其中，x表示default box，c表示该默认框和标注框之间的可信度，t预测的位置参数，p为正样本；

对上述损失函数进行T次迭代，获得识别结果，其中T为整数。

9.一种产品缺陷检测系统，应用于权利要求1至8中任一项所述的产品缺陷检测方法，其特征在于，所述系统包括：客户端和服务器；其中：

所述客户端，用于获取定位待检测产品目标区域图像，以及显示所述服务器返回的识别结果；

所述服务器，用于根据预设的深度学习识别模型，检测识别所述待检测产品目标区域图像的缺陷，并返回识别结果给所述客户端。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有产品缺陷检测方法程序，所述产品缺陷检测方法程序被处理器执行时实现如权利要求1至8中任一项所述的产品缺陷检测方法的步骤。