[发明专利]一种基于深度学习的缺陷检测方法、装置和存储介质

说明书

本发明公开了一种基于深度学习的缺陷检测方法、装置和存储介质，具体步骤如下：步骤一：收集带有缺陷信息的产品图像并按照缺陷类型分类；步骤二：对缺陷图像进行标注、生成带有缺陷信息的标签文件；步骤三：将标签文件与训练图像导入深度学习神经网络模型，训练得到模型文件；步骤四：加载模型文件并在线传输产品图像，即可准确识别产品的各种缺陷。本发明适用于缺陷检测，解决了现有技术中人工检测的准确率和效率均比较低的问题，达到了可以根据获取到的产品图片自动检测，进而提高检测准确率和效率的效果。

技术领域

本发明涉及产品质量检测技术领域，特别涉及一种基于深度学习的缺陷检测方法、装置和存储介质。

背景技术

随着3C电子产品、新能源汽车零部件的快速迭代，产品的外观检测需求也日益增多，传统的密集人工检测难以满足产量要求，同时在高压、长时间的作业环境下人工检测很难保证产品缺陷检测的准确率，迫切需要自动化的外观检测设备来取代人工检测。而目前自动化检测设备上的常规检测方法泛化性较差，一旦产品迭代后出现新的缺陷特征，就需要增加新的方法程序甚至重写方法，鲁棒性较差。

为了满足多样性的产品外观检测需求，需要开发出一套兼容多产品、多缺陷的外观检测方法，基于深度学习的缺陷检测技术日趋成熟，能够有效解决常规方法不能识别的缺陷，同时该技术具有普适性强、鲁棒性好的特点，逐渐成为解决复杂缺陷检测难点的主流方法。

发明内容

本发明的目的在于克服现有技术中的缺陷，提供一种基于深度学习的缺陷检测方法、装置和存储介质。

为实现上述目的，本发明采取的技术方案为：

本发明公开了一种基于深度学习的缺陷检测方法、装置和存储介质，具体步骤如下：

步骤一：收集带有缺陷信息的产品图像并按照缺陷类型分类；

步骤二：对缺陷图像进行标注、生成带有缺陷信息的标签文件；

步骤三：将标签文件与训练图像导入深度学习神经网络模型，训练得到模型文件；

步骤四：加载模型文件并在线传输产品图像，即可准确识别产品的各种缺陷。

作为优选的，所述步骤一中收集带有缺陷信息的产品图像并按照缺陷类型分类，具体步骤如下：

通过光学装置采集所述目标产品的各种缺陷图像，其中，所述光学装置应能够满足各种缺陷的清晰采集，每种缺陷均应采集一定数量的图像；

按照缺陷类型对采集的缺陷图像进行分类，针对不同类型的缺陷，分别筛选出合适的缺陷图像，所述合适的缺陷图像应客观反应各种缺陷的细节。

作为优选的，所述步骤二中对缺陷图像进行标注、生成带有缺陷信息的标签文件，具体步骤如下：

使用LabelImg标注工具对所述各种缺陷图像进行标注，生成带有缺陷信息的.xml标签文件，缺陷信息包括缺陷的标签名、缺陷的像素位置、缺陷图像的尺寸与通道数。

作为优选的，所述步骤三中将标签文件与训练图像导入深度学习神经网络模型，训练得到模型文件，具体步骤如下：

通过开源的深度学习框架对卷积神经网络模型进行搭建，构建出含有卷积层、池化层、激活函数、全连接层结构的卷积神经网络模型；

将所有缺陷样本的图像与其对应的标签文件导入构建好的卷积神经网络模型中，经训练后可以得到模型文件。

作为优选的，将所有缺陷样本的图像与其对应的标签文件导入构建好的卷积神经网络模型中，经训练后可以得到模型文件，具体步骤如下：