[发明专利]基于深度学习的双阶段卫浴陶瓷表面缺陷检测方法和设备

说明书

本发明提供了一种基于深度学习的双阶段卫浴陶瓷缺陷检测方法及设备，方法为将标注了目标缺陷信息的原始标注文件划分为第一标注数据集和第二标注数据集；并对第二标注数据集进行网格划分并剪裁，滤除仅包含背景的图片，获得缺陷图片数据集；依据原始标注文件和缺陷目标相对于原始图片的坐标偏移值，获取缺陷图片对应的标注文件，从而形成标注缺陷图片数据集，将第一标注数据集和标注缺陷图片数据集分别划分为训练集和测试集后，分别输入深度网络模型进行训练，并利用训练模型对待测目标进行缺陷检测，完成缺陷类型的识别与定位。本发明方法能够很好地抑制背景信息对检测结果的干扰，并且能够提高检测速度，满足工业现场应用精度和速度需求。

技术领域

本发明涉及技术领域，具体涉及一种基于深度学习的双阶段卫浴陶瓷表面缺陷检测方法和设备。

背景技术

陶瓷产业是国民经济中的重要一环，我国是世界上最大的卫浴陶瓷生产国和销售国，拥有全球最高的陶瓷产品生产量、出口量和消费使用量，具有广阔的市场前景。近年来，陶瓷产业生产技术的自动化、机械化程度不断提高，引入了大量的自动化生产设备和生产线，但是质量检测和分级评估工序还未实现自动化，仍然依赖人工目视的方法进行检测，难以实现定量化检测且工人在长时间工作下容易出现漏检、错检和误检的情况，难以保证产品的质量。随着社会进步和人们生活质量的提升，消费者对于产品的外观质量越发重视，产品的品控直接关联消费者对于企业的口碑，影响着企业的发展。

现有的卫浴陶瓷表面缺陷检测方法主要分为基于传统图像处理和基于深度学习两大类方法。如在专利名称为“一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置”中公开一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置，首先获取图像数据集，所述图像数据集为待检测卫浴陶瓷的表面图像的集合；并标注所述表面图像的缺陷类型和缺陷最小外接矩形，生成图像特征集；进而将所述图像特征集划分为训练集、验证集和测试集，根据所述训练集的缺陷最小外接矩形生成候选框；接着将所述候选框输入到Faster R-CNN神经网络进行训练，生成表面缺陷检测模型；最后将所述测试集输入所述检测模型，检测出待检测卫浴陶瓷的缺陷类型。

再如在专利名称为“一种基于机器视觉的陶瓷杯缺陷检测方法”中公开的一种基于深度学习算法的陶瓷杯缺陷检测方法，属于机器视觉和深度学习领域，方法包括：对陶瓷产品图片进行像素级别的缺陷标注，并将原始产品图片以及对应的标注信息作为样本数据从而得到原始数据集、训练集以及测试集；构建基于深度学习的缺陷检测网络模型；将所述训练集和测试集输入搭建好的缺陷检测模型进行训练，通过参数微调得到完整检测模型之后，该模型完成在线检测陶瓷产品缺陷任务。

其中，基于传统图像方法的卫浴陶瓷表面缺陷检测方法主要通过人工设计的特征算子对瑕疵进行识别，其对于成像条件要求很苛刻，并且人工设计的特征通常不是最优特征，难以稳定地对缺陷特征进行表示，因此不能胜任复杂环境下的表面检测问题；基于深度学习的卫浴陶瓷表面缺陷检测方法相较传统方法具有更好的适应性和准确率，但是基于深度学习的方法需要大量的训练数据，并且现有的网络模型难以直接将千万像素级别的图片作为输入进行训练。

发明内容

本发明解决的一个主要问题是现有基于深度学习的卫浴陶瓷表面缺陷检测方法需要大量训练数据，且现有网络难以直接将分辨率很高的图片作为输入进行模型训练的问题。

根据本发明的一个方面，本发明提供一种基于深度学习的双阶段卫浴陶瓷表面缺陷检测方法，所述双阶段卫浴陶瓷表面缺陷检测方法包括：

将标注了目标缺陷信息的原始标注文件划分为第一标注数据集和第二标注数据集；

对所述第二标注数据集中的图片进行网格划分并剪裁，滤除仅包含背景的图片，获得缺陷图片数据集；

基于原始标注文件和目标缺陷相对于原始图片的坐标偏移值，获取缺陷图片对应的标注文件，形成标注缺陷图片数据集；

将所述第一标注数据集划分为第一训练集和第一验证集，并基于深层网络进行迭代训练，直至获得工件识别模型；