[发明专利]工业产品缺陷检测方法和装置

说明书

本发明涉及工业质检技术领域，为解决如何实现高精度缺陷检测的技术问题，提出了一种工业产品缺陷检测方法和装置，所述方法包括：将缺陷集中的每个缺陷图像分别输入训练后的目标检测模型，得到第一缺陷检出框；以是否真的包含普通缺陷的判断结果对相应的第一缺陷检出框的缺陷物理量数据进行标注，训练过检分析模型；抽取良品集中的一部分良品图像进行随机抠图操作，训练残缺图恢复模型；通过训练后的目标检测模型得到待检测工业产品图像的第二缺陷检出框；将待检测工业产品图像的第二缺陷检出框输入过检分析模型，得到是否真的包含普通缺陷的过检分析结果；通过训练后的残缺图恢复模型得到待检测工业产品图像是否存在特殊缺陷的漏检分析结果。

技术领域

本发明涉及工业质检技术领域，具体涉及一种工业产品缺陷检测方法、一种工业产品缺陷检测装置、一种计算机设备和一种非临时性计算机可读存储介质。

背景技术

在工业质检中，对3C产品（计算机类、通信类和消费类电子产品三者的统称）的高精度缺陷检测一直是热门。随着人工智能和深度学习的发展，对3C产品高精度缺陷检测的技术方案已经逐步从传统的机器视觉转向深度视觉算法。

人工智能时代下，对于工业产品的缺陷检测通常利用摄像头拍取产品图像，并且用深度学习中的目标检测模型对图像进行检测。3C产品存在很多常见的细小缺陷，即普通缺陷，例如电脑盖板的划痕、电路元件的缺失或破损、焊点的缺失等，在对3C产品的高精度缺陷检测中，由于很多缺陷和非缺陷区域形态相似，仅用单一的目标检测模型，会出现将非缺陷判定为缺陷的过检，和将缺陷判定为非缺陷的漏检。并且，对于一些特殊缺陷，例如严重的物料形变、大规模面积的缺料等大面积缺陷，由于样本数量极少，且缺陷区域并没有包含上述的普通缺陷，仅用单一的目标检测模型很难学习和成功检测到，这无疑也会出现漏检。因此，相关技术中的缺陷检测方案很难同时具备较低的缺陷过检率和较低的缺陷漏检率。

发明内容

本发明为解决上述技术问题，提供了一种工业产品缺陷检测方法和装置，能够大大降低工业产品缺陷的过检率和漏检率，实现工业产品的高精度缺陷检测。

本发明采用的技术方案如下：

一种工业产品缺陷检测方法，包括以下步骤：S1，获取缺陷集，其中，所述缺陷集包括多个缺陷图像，每个所述缺陷图像均包含普通缺陷；S2，抽取所述缺陷集中的一部分缺陷图像进行缺陷标注，以构成第一训练集，并通过所述第一训练集训练目标检测模型；S3，将所述缺陷集中的每个缺陷图像分别输入训练后的目标检测模型，得到每个缺陷图像的第一缺陷检出框；S4，对每个所述第一缺陷检出框进行物理量分析以得到缺陷物理量数据，并判断每个所述第一缺陷检出框内是否真的包含普通缺陷，以及以是否真的包含普通缺陷的判断结果对相应的第一缺陷检出框的缺陷物理量数据进行标注，以得到第二训练集，并通过所述第二训练集训练过检分析模型；S5，获取良品集，其中，所述良品集包括多个良品图像；S6，抽取所述良品集中的一部分良品图像进行随机抠图操作，生成模拟特殊缺陷的残缺图像，并以该部分良品图像及其对应的残缺图像构成第三训练集，以及通过所述第三训练集训练残缺图恢复模型；S7，将所述良品集中的每个良品图像分别输入训练后的残缺图恢复模型中的特征提取网络，得到每个良品图像对应的特征向量，构成良品向量库；S8，获取待检测工业产品图像；S9，将所述待检测工业产品图像输入训练后的目标检测模型，得到所述待检测工业产品图像的第二缺陷检出框；S10，将所述待检测工业产品图像的第二缺陷检出框输入所述过检分析模型，得到所述待检测工业产品图像的第二缺陷检出框内是否真的包含普通缺陷的过检分析结果；S11，将所述待检测工业产品图像输入训练后的残缺图恢复模型中的特征提取网络，得到所述待检测工业产品图像的特征向量；S12，从所述良品向量库中随机抽取预设数量的特征向量；S13，计算所述待检测工业产品图像的特征向量与从所述良品向量库中抽取的特征向量的相似度数据；S14，根据所述相似度数据得到所述待检测工业产品图像是否存在特殊缺陷的漏检分析结果；S15，以所述过检分析结果和所述漏检分析结果作为所述待检测工业产品图像的缺陷检测结果。