[发明专利]一种面向工业视觉质检的两阶段缺陷检测方法

说明书

本发明涉及一种面向工业视觉质检的两阶段缺陷检测方法，属于图像识别领域。首先，通过工业环境下的目标物体的数据收集，建立数据集。其次，搭建两阶段缺陷检测网络模型，图像通过网络模型后，第一阶段能够得到局部缺陷的存在，第二阶段来预测缺陷的类型。最后，通过预测的类型来判别产品是否能够符合质量标准。本方法具有高精度的缺陷检测性能，并且借鉴了深度学习中自动提取目标的特性能够进行多种类别的缺陷检测。

技术领域

本发明属于图像识别领域，涉及一种面向工业视觉质检的两阶段缺陷检测方法。

背景技术

随着工业自动化和智能制造的发展，生产线上越来越多的环节可以实现自动化。在生产过程中，产品缺陷的出现可能会给企业带来巨大的损失，因此，对产品进行质量检测是非常重要的。传统的质量检测方法通常需要人工参与，效率低下、成本高昂，并且容易出现漏检和误检的问题，无法保证产品检测的准确性和一致性。而工业视觉产品缺陷检测技术的出现，可以实现自动化的产品质量检测，提高了生产线的效率和质量，降低了企业的生产成本。工业视觉产品缺陷检测技术基于计算机视觉技术，通过图像处理和分析，检测产品表面的缺陷、尺寸偏差等问题。通过预先训练模型，工业视觉产品缺陷检测技术可以自动识别缺陷并进行分类，从而实现对生产过程的实时监控和控制。工业视觉产品缺陷检测技术的应用范围非常广泛，包括电子、汽车、食品、医药、化工等众多行业。在电子行业中，工业视觉产品缺陷检测可以检测PCB板、芯片、LCD显示屏等电子元器件的缺陷；在汽车行业中，工业视觉产品缺陷检测可以检测汽车零部件的表面缺陷、尺寸偏差等问题；在食品行业中，工业视觉产品缺陷检测可以检测食品的大小、形状、颜色等特征，以保证其符合安全标准。

早期的工业视觉产品缺陷检测技术主要依赖于人工视觉，即人工检查和分类缺陷。随着计算机技术的不断发展，基于计算机视觉技术的工业视觉产品缺陷检测技术开始逐渐兴起。20世纪80年代，由于硬件和软件技术的限制，工业视觉产品缺陷检测技术的应用范围比较狭窄，主要用于一些简单的工业质量控制场景，例如电子元件表面的缺陷检测和纸张的定位和校准。随着计算机视觉技术和机器学习技术的不断进步，工业视觉产品缺陷检测技术在21世纪初开始迅速发展。通过深度学习等技术的应用，工业视觉产品缺陷检测技术可以对更复杂的产品进行检测和分类，实现对生产过程的实时监控和控制。目前，工业视觉产品缺陷检测技术已经成为自动化生产过程中必不可少的一部分，广泛应用于电子、汽车、食品、医药、化工等各个行业。传统的工业视觉产品缺陷检测方法主要依靠人工制定的规则和特征，对于复杂的生产场景和产品类型往往无法满足高质量的检测需求。而深度学习技术具有自动学习和自适应性的优势，可以通过大量数据的学习和训练，从而减少对于人工制定规则和特征的依赖。另外，深度学习技术在处理图像和视频等数据方面具有优秀的性能表现，可以有效地识别和分类复杂的产品缺陷，并能够进行高效的实时监控和控制。此外，深度学习技术还具有良好的可扩展性和灵活性，可以适应不同场景和需求的变化，并能够不断优化和提升性能，以满足不断变化的工业需求。利用深度学习技术进行工业视觉产品缺陷检测，具有自动学习、自适应性、高效性、可扩展性和灵活性等诸多优势，可以为工业生产提供更加可靠和高效的质量控制手段。

发明内容

有鉴于此，本发明的目的在于提供一种面向工业视觉质检的两阶段缺陷检测方法。

为达到上述目的，本发明提供如下技术方案：

一种面向工业视觉质检的两阶段缺陷检测方法，该方法包括以下步骤：

S1：收集工业环境下的产品质量检测的图像数据集，并且存储到数据库中；

S2：对数据集进行清洗处理，去除图像质量较差和模糊不清的图像；

S3：搭建两阶段缺陷检测模型，包括局部缺陷定位模块和缺陷类型预测模块两部分；

S4：在检测模型中引入多尺度特征融合方法，包括空洞卷积空间平衡特征金字塔结构ASBFPN；

S5：将数据集输入两阶段缺陷检测深度卷积神经网络模型中，通过模型训练学习到的特征进行预测；