[发明专利]一种基于多光源融合的外观缺陷检测方法及系统

权利要求书

1.一种基于多光源融合的外观缺陷检测方法，其特征在于，包括：

S1：使用多角度光源对检材表面进行拍摄，获得多张检材图像；

S2：对所述多张检材图像进行预处理，得到检材预处理图像；

S3：将所述检材预处理图像进行融合处理，得到检材融合处理图像；

S4：将所述检材融合处理图像输入到预先训练的深度学习模型中，得到判别结果；

S5：存储所述判别结果与所述多张检材图像，用于所述深度学习模型的模型升级。

2.根据权利要求1所述的一种基于多光源融合的外观缺陷检测方法，其特征在于，所述预处理所使用的方法为裁剪、拼接、通道合并、滤波、模板定位方法中的一种或多种；

所述融合处理所使用的方法为金字塔分解融合法、小波变换法、逻辑滤波法、灰度加权平均法或者对比调制法的一种或多种。

3.根据权利要求1所述的一种基于多光源融合的外观缺陷检测方法，其特征在于，还包括S0：训练所述深度学习模型；

所述S0包括：

S0-1：使用所述多角度光源对多个所述检材表面进行拍摄，获得多个所述多张检材图像；

S0-2：对多个所述多张检材图像进行所述预处理，得到多个所述检材预处理图像；

S0-3：对多个所述检材预处理图像进行所述融合处理，得到多个所述检材融合处理图像；

S0-4：将多个所述检测融合处理图像划分为训练集和测试集；

S0-5：设定多个具有不同任务目标的深度学习模型生成算法；

S0-6：使用多通道导入所述训练集，使用图像特征提取算法对所述训练集的图像进行提取，得到特征集；

S0-7：将所述特征集导入所述多个具有不同任务目标的深度学习模型中，得到多个深度学习过程模型；

S0-8：将多个所述深度学习过程模型使用模型融合处理，得到过程深度学习模型；

S0-9：将所述测试集输入所述过程深度学习模型中，得到过程深度学习测试结果；

S0-10：根据所述深度学习测试结果进行模型准确性验证，如果没有通过模型准确性验证，调整所述深度学习模型训练参数，返回所述S0-5；如果通过了模型准确性验证，将所述过程深度学习模型转换为所述深度学习模型并输出所述深度学习模型。

4.根据权利要求3所述的一种基于多光源融合的外观缺陷检测方法，其特征在于，所述模型准确性验证的评估指标为精确率、召回率、AUC、AUPR的一种或多种。

5.根据权利要求3所述的一种基于多光源融合的外观缺陷检测方法，其特征在于，S0还包括S0-12：使用对抗学习策略强化所述深度学习模型。

6.一种基于多光源融合的外观缺陷检测系统，实现权利要求1至5任一所述的一种基于多光源融合的外观缺陷检测方法，其特征在于，包括立体光源图像采集模块、图像预处理模块、图像检测模块；

所述立体光源图像采集模块包括传送带、检测台、高清相机、光源和光源支架；

所述立体光源图像采集模块与所述图像预处理模块相连，将所述立体光源图像采集模块采集到的原始图像传输到所述图像预处理模块；

所述图像预处理模块为基于裁剪、拼接、通道合并、滤波、模板定位的计算机程序中的一种或多种，接收并处理所述原始图像以产生预处理图像；

所述图像检测模块包括检测端多通道立体输入模块和预先训练好的深度学习模型；

所述图像检测模块与所述图像预处理模块相连，接收所述预处理图像。

7.根据权利要求6所述的一种基于多光源融合的外观缺陷检测系统，其特征在于，还包括深度学习模型生成模块；

所述深度学习模型生成模块包括训练用多通道立体输入模块、多任务学习模块和对抗学习模块；

所述训练用多通道立体输入模块与所述图像预处理模块相连接，接收所述多个预处理图像；

所述多任务学习模块包括图像细节特征提取模块、任务学习模块和任务结果融合处理模块。