[发明专利]一种缺陷检测方法、终端设备及存储介质

说明书

本发明涉及一种缺陷检测方法、终端设备及存储介质，该方法中包括：采集正常图片和对应的异常图片，将异常图片压缩后，分别构建压缩前后的标签L1和L2；将正常图片、异常图片和标签L2组成第一训练集；构建缺陷定位模型，通过第一训练集进行训练，得到最终缺陷定位模型；将最终缺陷定位模型输出的缺陷定位结果放大后与异常图片进行或运算，得到异常图片对应的缺陷图片；将缺陷图片和标签L1组成第二训练集；构建缺陷分割模型，通过第二训练集进行训练，得到最终缺陷分割模型；基于最终缺陷定位模型和最终缺陷分割模型对待检测图像进行缺陷检测。本发明提高了缺陷检测的精确度。

技术领域

本发明涉及缺陷检测领域，尤其涉及一种缺陷检测方法、终端设备及存储介质。

背景技术

机械产品的缺陷是指在机械的工作过程中，由于一些因素(轴断，轴承磨损，轴承卡死，螺丝松脱，皮带松，零部件损坏等)，导致机械在工作过程中出现差错；在生产过程中由于操作不当也会使机械产品表面出现划痕、裂纹等缺陷，因此，对机械配件进行缺陷检测必不可少。

现有的缺陷检测技术中大多采用人眼识别方法，这种方法需要经过大量培训的专业检测人员，并且检测人员还得具备一定的实际操作经验。此外，在实际检测过程中，仍会存在着效率低下、检测标准不一致等问题，这会大幅度降低机械缺陷检测的效率，并会使得机械生产出的产品质量参差不齐，甚至存在安全隐患。

发明内容

为了解决上述问题，本发明提出了一种缺陷检测方法、终端设备及存储介质。

具体方案如下：

一种缺陷检测方法，包括以下步骤：

S1：采集多个机械加工品的正常图片和对应的异常图片，并基于异常图片中缺陷所在像素位置构建第一标签L1，同时将异常图片压缩N倍后，基于压缩后的异常图片中缺陷所在像素位置构建第二标签L2；将所有机械加工品的正常图片、异常图片和第二标签L2组成第一训练集；

S2：构建基于神经网络的缺陷定位模型，缺陷定位模型的输入为正常图片和对应的异常图片，输出为异常图片经过压缩N倍后的缺陷定位结果；通过第一训练集对缺陷定位模型进行训练，使得训练后的缺陷定位模型输出的缺陷定位结果趋近于第二标签L2，得到最终缺陷定位模型；

S3：将最终缺陷定位模型输出的缺陷定位结果放大N倍后再与异常图片进行或运算，得到异常图片对应的缺陷图片；将所有机械加工品的缺陷图片和第一标签L1组成第二训练集；

S4：构建缺陷分割模型，缺陷分割模型的输入为缺陷图片，输出为缺陷分割结果；通过第二训练集对缺陷分割模型进行训练，使得训练后的缺陷分割模型输出的缺陷分割结果趋近于第一标签L1，得到最终缺陷分割模型；

S5：基于最终缺陷定位模型和最终缺陷分割模型对待检测图像进行缺陷检测。

进一步的，基于缺陷所在像素位置构建第一标签L1和第二标签L2采用矩阵表示，矩阵中元素的个数与像素个数相同，当某个像素对应位置为缺陷时，设定该像素对应的矩阵中元素的值为1；否则为0。

进一步的，N＝32。

进一步的，缺陷定位模型的网络结构依次包括：5x5x8x2的卷积层、2x2的池化层、5x5x4x2的卷积层、2x2的池化层、5x5x1x2的卷积层。

进一步的，缺陷分割模型采用PSPNet网络构建。

一种缺陷检测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。

本发明采用如上技术方案，提高了缺陷检测的精确度。