[发明专利]基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置及介质

说明书

本发明公开了一种基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置、计算机设备和存储介质，该方法包括：获取训练数据集，构建网络模型；利用网络模型对训练数据集中有瑕疵图像和无瑕疵图像进行特征提取，得到瑕疵样本特征和正常样本特征；进而对两者进行特征融合，得到不同尺度的融合特征图；然后对融合特征图进行处理，生成瑕疵候选框；最后对瑕疵候选框进行瑕疵特征识别，得到预测结果；根据预测结果和训练数据集中人工标注的瑕疵信息，训练网络模型；将待测的注塑件图像输入训练好的网络模型，完成瑕疵的检测与分类。本发明能够提取注塑件图像中精确的瑕疵区域特征，获得准确的瑕疵类型识别与目标位置，为注塑机制备工艺提供指导性意见。

技术领域

本发明涉及深度学习应用技术领域，具体涉及一种基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置、计算机设备和存储介质。

背景技术

随着现代工业制造能力的不断进步，以注塑成型为主要生产方式的塑料注塑件被广泛的使用。注塑件的外观品质往往受到注塑材料、注塑成型机以及成型环境等多种因素的影响，从而产生各种各样的瑕疵，如缺料、缩水和气泡等。这些不良缺陷都可能会使注塑产品在使用过程中出现问题，从而给生产带来极大的浪费，既影响了生产效率，也增加了产品的成本。因此，必须对注塑件进行外观缺陷检测。

现阶段市场中的注塑件的瑕疵检测都是依靠人工进行操作，工作强度大，且检测稳定性难以保证。因此，迫切需要在注塑件生产过程中提高对注塑件的瑕疵检测能力，进而可以对制作工艺进行预警与改进，提升注塑件的产品品质。

近年来，人工智能领域已经被提到国家重点建设的范围。这预示着人工智能与制作工业的结合是我国朝着智能化方向发展的必然趋势，对推动行业朝智能化、自动化方面发展具有重要意义。人工智能领域中最主要的是针对不同的行业任务，设计相应的深度学习网络模型。随着计算机算力的提高，网络训练的难度大大减低，网络预测精度也在不断提高。对于注塑件的多种瑕疵类型检测识别问题，其关键是如何提取瑕疵区域的特征，以满足瑕疵的位置检测与类型识别的需要。目前亟待针对这一问题，设计相应合理的深度学习网络框架，利用高性能的计算机处理能力对网络进行训练，实现不同类型瑕疵的检测与分类。

发明内容

为了解决上述现有技术的不足，本发明提供了一种基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置、计算机设备及存储介质，用深度学习网络框架设计网络模型，进而对不同类别的瑕疵特征进行提取，实现对不同类型瑕疵的检测与分类。

本发明的第一个目的在于提供一种基于正常样本辅助特征提取的注塑件瑕疵检测方法。

本发明的第二个目的在于提供一种基于正常样本辅助特征提取的注塑件瑕疵检测装置。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于正常样本辅助特征提取的注塑件瑕疵检测方法，所述方法包括：

获取训练数据集，所述训练数据集包括正常样本数据集和瑕疵样本数据集；

构建网络模型，所述网络模型包括瑕疵样本特征提取子网络、正常样本特征提取子网络、特征金字塔子网络、区域生成子网络和瑕疵分类子网络；其中，利用所述瑕疵样本特征提取子网络对所述瑕疵样本数据集中的有瑕疵图像进行特征提取，得到瑕疵样本特征；利用所述正常样本特征提取子网络对所述正常样本数据集中的无瑕疵图像进行特征提取，得到正常样本特征；利用所述特征金字塔子网络对所述瑕疵样本特征与所述正常样本特征进行特征融合，得到多张不同尺度的融合特征图；利用所述区域生成子网络对所述融合特征图进行处理，生成瑕疵目标候选框集合；利用所述瑕疵分类子网络对所述瑕疵目标候选框集合中的瑕疵特征进行识别，得到所述网络模型的预测结果；