[发明专利]基于缺陷检测的工业图像临界压缩率智能分析系统及方法

说明书

本发明公开基于缺陷检测的工业图像临界压缩率智能分析系统及方法，所述基于缺陷检测的工业图像临界压缩率智能分析系统包括：图像采集系统、图像处理系统、图像压缩系统、缺陷检测网络系统、无参考图像质量评分系统、用于缺陷检测的压缩图像评分系统；所述图像采集系统、图像处理系统、图像压缩系统依次连接，所述图像压缩系统分别与所述缺陷检测网络系统、无参考图像质量评分系统连接，所述缺陷检测网络系统、无参考图像质量评分系统分别与所述用于缺陷检测的压缩图像评分系统连接。本发明能够在节省网络带宽的同时，有效保证压缩图像能够在缺陷检测任务中取得良好的准确率。

技术领域

本发明涉及工业图像缺陷检测技术领域，特别是涉及一种基于缺陷检测的工业图像临界压缩率智能分析系统及方法。

背景技术

工业流水线在金属等制品的生产过程中，有可能会因为操作不当或者机器运作误差等因素造成金属制品上形成划痕、擦伤等表面缺陷，因此对工业制品的完好度检测已成为产品可合格出厂的必检项目之一。传统上，工业制品表面的缺陷检测主要采用人工目测的方式进行，这种方式不仅耗时耗力，并且质检员长时间重复这种用眼过度的工作很容易产生视觉疲劳，造成缺陷检测效率的低下以及正确率的不确定性。现有的大多数缺陷检测系统采用在空间域进行处理的方式，比对待检测产品图像和标准无缺陷图像是否一致从而判断是否存在缺陷，但这种方法计算量大且实时性差，考虑到工业流水线的生产车间明亮，背景环境不复杂，生产的产品类型较为固定，形状规则统一，因此适合用深度学习中目标检测的方法在线自动检测产品表面的缺陷。基于深度学习和图像处理算法的工业制品表面缺陷检测方案已经在各个行业有许多应用实例。早期的基于深度学习的目标检测算法，如R-CNN和Fast R-CNN，使用选择型搜索来缩小必须测试的边界框的数量，另一种Overfeat的方法是通过卷积的计算滑动窗口，从多个尺度上对图像进行扫描，然而，YOLO解决目标检测问题是采用完全不同的解决办法，它将图像进行神经网络的一次性正向处理。SSD是另一种将图像进行神经网络一次性正向处理的方法，但是YOLOv3比SSD实现了更高的精度，同时又能保证很快的计算速度。

随着计算机科技的高速发展，传统的工业已经迈向工业智能化发展，各种数字成像技术与网络技术相结合，使得数字化的工业产品图像需要被大量存储及通过网络传输，但实际采集的原始工业图像数据量庞大，需要占用很大的存储量和传输通道，考虑到传输网络通道的容量不够，以及数据量庞大所带来的时间成本和计算成本过高，同时为最大程度上保留工业图像的高分辨率和有效信息，因而在对工业图像进行缺陷检测之前先对图像进行压缩，在保证图像质量的前提下，用最少的比特数完成图像数据的存储和传输，就能实现网络的高效传输和处理。

图像压缩率的改变，必然会产生图像质量的变化，现有的无参考图像质量评价算法BRISQUE能够较好的与人的主观感受相对应，但是现有的BRISQUE算法仅适用于自然图像，自然图像的统计特征与工业图像存在较大差异，因此，需要在工业数据集上重新训练BRISQUE算法中的SVM分类器才能对不同压缩率的工业图像的进行质量评分。

图像压缩得越多，对节省网络带宽和信道容量越有利，但是当压缩到一定程度后，图像中有效信息损失过多，深度学习中目标检测算法因为数据集质量的受损产生严重影响，从而检测精度大幅度下降，因此需要确定一个压缩率标准，以供网络传输中工业图像缺陷检测任务选择最合适的压缩率(即临界值)，能同时兼顾网络传输效率和缺陷检测精度。

发明内容

本发明的目的是提供基于缺陷检测的工业图像临界压缩率智能分析系统及方法，以解决现有技术中存在的技术问题，能够在节省网络带宽的同时，有效保证压缩图像能够在缺陷检测任务中取得良好的准确率。