[发明专利]AOI缺陷检测方法、装置和设备及计算机介质

说明书

本申请公开了一种AOI缺陷检测方法，包括：获取待检测图像并进行ROI区域粗定位；基于语义分割模型对粗定位的ROI区域进行分割得到高精度区域；基于所述高精度区域分别进行检测模型预测和语义分割模型预测，分别得到缺陷区域的外接矩形区域和轮廓区域；将所述检测模型预测和所述语义分割模型预测的结果进行融合后输出；利用分类模型对输出的融合结果进行筛选得到目标缺陷检测结果。其可以解决现有技术中采用单一的深度学习算法模型难以达到较高的缺陷检出准确率及较低的缺陷误检率的问题。

技术领域

本申请涉及自动光学检测技术领域，更具体地，涉及一种AOI缺陷检测方法、一种AOI缺陷检测装置和一种AOI缺陷检测设备以及一种计算机可读存储介质。

背景技术

工业AOI领域内的缺陷大多数都是小目标(目标缺陷在图像中占比非常小)，而且背景通常较为复杂。传统的CV算法鲁棒性较低，也难以处理背景较复杂的AOI检测场景；在背景十分复杂的工业AOI场景下，单一的深度学习算法模型存在较高的缺陷误检率，也难以达到较高的缺陷检出准确率，通常很难满足缺陷检测现场的高要求。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种AOI缺陷检测方法、装置、设备及计算机可读存储介质，旨在解决现有技术中采用单一的深度学习算法模型难以达到较高的缺陷检出准确率及较低的缺陷误检率的问题。

为实现上述目的，按照本发明的第一个方面，提供了一种AOI缺陷检测方法，包括：获取待检测图像并进行ROI区域粗定位；基于语义分割模型对粗定位的ROI区域进行分割得到高精度区域；基于所述高精度区域分别进行检测模型预测和语义分割模型预测，分别得到缺陷区域的外接矩形区域和轮廓区域；将所述检测模型预测和所述语义分割模型预测的结果进行融合后输出；利用分类模型对输出的融合结果进行筛选得到目标缺陷检测结果。

在本发明的一个实施例中，所述基于语义分割模型对粗定位的ROI区域进行分割得到高精度区域，包括：利用深度学习语义分割模型对所述粗定位的ROI区域的四个角块区域进行分割得到四个角点，根据所述四个角点进行ROI区域透视变换得到所述高精度区域。

在本发明的一个实施例中，在所述基于所述高精度区域分别进行检测模型预测和语义分割模型预测之后，还包括：对所述检测模型结果和所述分割模型结果进行判断，当所述检测模型结果为空，所述分割模型结果为空，则输出为空；当所述检测模型结果为空，所述分割模型结果不为空，则输出所述分割模型结果；当所述检测模型结果不为空，所述分割模型结果为空，则输出所述检测模型结果；当所述检测模型结果不为空，所述分割模型结果不为空，则对于同一缺陷类别重合的区域，输出所述分割模型结果并将所述检测模型的置信度赋值给该缺陷，其余不重合区域的所述分割模型结果和所述检测模型结果均作为输出。

在本发明的一个实施例中，所述利用分类模型对融合结果进行筛选得到目标缺陷检测结果，包括：用分类模型对所有的所述检测模型结果和所述分割模型结果进行二分类判断，属于缺陷的判定为NG，属于误检的判定为OK，将判定为NG的所有结果作为本步骤的输出。

在本发明的一个实施例中，在所述利用分类模型对融合结果进行筛选之后，还包括：设置预设参数阈值对所述二分类判断得到的缺陷结果进行筛选，得到满足规格的缺陷检测结果；其中，所述预设参数指标包括：宽度、高度、面积、对比度中的一者或多者。

按照本发明的第二个方面，还提供了一种AOI缺陷检测装置，其包括：粗定位模块，用于获取待检测图像并进行ROI区域粗定位；高精度区域分割模块，用于基于语义分割模型对粗定位的ROI区域进行分割得到高精度区域；模型预测模块，用于基于所述高精度区域分别进行检测模型预测和语义分割模型预测，分别得到缺陷区域的外接矩形区域和轮廓区域；结果融合模块，用于将所述检测模型预测和所述语义分割模型预测的结果进行融合后输出；检测结果得到模块，用于利用分类模型对输出的融合结果进行筛选得到目标缺陷检测结果。