[发明专利]工业产品外观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，为解决工业产品外观缺陷检测效果差的技术问题，提供了一种工业产品外观缺陷检测方法和装置，所述方法包括：对多个缺陷样本进行缺陷类别的标注，得到具有N个标注类别的第一样本集；将第一样本集输入特征提取网络，得到每个缺陷样本对应的特征向量，构成聚类数据集；对聚类数据集进行密度最大值聚类，以将多个缺陷样本归为K个聚类类别，得到具有K个聚类类别的第二样本集；通过第二样本集对检测网络进行训练，得到缺陷检测模型；将待检测工业产品图像输入缺陷检测模型，得到输出结果；将输出结果为多类输出的缺陷的子图像进行细粒度分类，得到输出结果为多类输出的缺陷属于相应的标注类别的输出结果。

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外观缺陷检测方法、一种工业产品外观缺陷检测装置、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

在工业智能质检领域，深度学习得到了广泛的应用，受到的关注程度很高。特别是工业外观缺陷之类的检测任务，由于缺陷的种类繁多，形态非常多样，采用深度学习往往能取得更好的效果。

一般的基于深度学习算法的外观缺陷检测过程主要有以下几个步骤：第一步，根据规定好的缺陷类别，对于收集的数据进行人工标注；第二步，选择一种目标检测或实例分割网络，进行一系列参数的设置，其中必须要设置的是让网络头部输出与规定的缺陷类别一致；第三步，训练网络，直到网络收敛到稳定状态，并且选择一个在验证集上表现良好的模型；第四步，部署模型，进行实际场景的推理。

在实际的检测项目中，要处理的缺陷种类很多。一方面，不同类别的缺陷却非常相似，也就是类间差异很小，比如：小碰伤和黑点，黑线和刮伤等等；另一方面，同一类别缺陷之间的差异很大，比如划伤，有尺寸很小的和很大的，有特别明显的和不怎么明显的，还有有感的和无感的等等。按照上述的一般检测方式，在事先规定的类别上进行分类，网络就面临要解决类间差异小、类内差异大的问题，训练难度较大，训练得到的模型在实际检测时的表现往往不够好，误检率高。

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外观缺陷检测方法和装置，能够大大降低工业产品外观缺陷的误检率。

本发明采用的技术方案如下：

一种工业产品外观缺陷检测方法，包括以下步骤：对多个缺陷样本进行缺陷类别的标注，得到具有N个标注类别的第一样本集，其中，N为正整数；将所述第一样本集输入特征提取网络，得到每个所述缺陷样本对应的特征向量，构成聚类数据集，其中，所述特征提取网络包括全局平均池化层；对所述聚类数据集进行密度最大值聚类，以将所述多个缺陷样本归为K个聚类类别，得到具有K个聚类类别的第二样本集，其中，K为正整数；通过所述第二样本集对检测网络进行训练，得到缺陷检测模型；将待检测工业产品图像输入所述缺陷检测模型，得到所述待检测工业产品图像中的每个缺陷属于相应的聚类类别的输出结果；将所述第二样本集与所述第一样本集进行比较；如果所述第二样本集中的一个聚类类别的所有缺陷样本具有同一个标注类别，则将属于该聚类类别的输出结果判定为单类输出，并得到输出结果为单类输出的缺陷属于相应的标注类别的输出结果；如果所述第二样本集中的一个聚类类别的所有缺陷样本具有M个不同的标注类别，则将属于该聚类类别的输出结果判定为多类输出，并以所述第二样本集中的该聚类类别的所有缺陷样本构成具有M个标注类别的第三样本集，其中，M为大于1的正整数，且M小于等于N；通过所述第三样本集对细粒度分类网络进行训练，得到细粒度分类模型；将输出结果为多类输出的缺陷的子图像输入所述细粒度分类模型，得到输出结果为多类输出的缺陷属于相应的标注类别的输出结果。

所述特征提取网络包括主干网络和设置于所述主干网络之后的所述全局平均池化层。

所述主干网络为卷积神经网络。

如果输出结果为多类输出的缺陷为多个，且其中至少两个属于不同的聚类类别，则将属于不同的聚类类别的缺陷的子图像输入相应的细粒度分类模型并行执行。