[发明专利]一种机器视觉瑕疵检测方法、装置、介质及设备

权利要求书

1.一种机器视觉瑕疵检测方法，其特征在于，包括：

采集待检测的五金件图像信息，并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据；

根据预先构建的分类库将所述标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别；

利用数据聚类的方法，根据所述瑕疵类别自适应选择瞄框和图像大小，将自适应选择后的瞄框和图像大小作为输入得到特征图；

对所述特征图进行迭代生成五金件瑕疵检测模型，并利用所述五金件瑕疵检测模型进行五金件瑕疵检测。

2.根据权利要求1所述的方法，其特征在于，所述利用数据聚类的方法，根据所述瑕疵类别自适应选择瞄框和图像大小具体包括：

根据瑕疵标注结果得到瑕疵的中心点横纵坐标，标注框的长度，标注框的高度，标注的瑕疵类别；

根据瑕疵的大小和类别，通过数据聚类的方法将瑕疵划分为三种瑕疵类别；

根据所述瑕疵类别自适应选择瞄框和图像大小。

3.根据权利要求2所述的方法，其特征在于，所述数据聚类的方法基于k-means方法实现瑕疵的聚类，具体包括：

S1，对每张图像中的瑕疵进行特征提取；

S2，随机初始化三个属于不同瑕疵类别的特征，将这三个瑕疵特征分别作为三种瑕疵类别的聚类中心；

S3，计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离，选择距离最近的一个作为该瑕疵特征的瑕疵类别；

S4，将所有的瑕疵特征按照三个聚类中心进行分类，重新计算新的分类中所有瑕疵特征的平均值作为新的聚类中心；

S5，若新的聚类中心和原来的聚类中心之间的距离小于预设的阈值，则结束聚类；若大于预设阈值，则重复步骤S3-S5。

4.根据权利要求3所述的方法，其特征在于，所述步骤S3中，计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离，具体为：

计算每个瑕疵特征与聚类中心的三种相关系数数值，选择相关系数数值最大的一个作为距离表达；

所述三种相关系数包括皮尔逊相关系数、斯皮尔曼相关系数、最大信息相关系数；

三种相关系数的计算公式如下：

皮尔逊相关系数：

；

其中，是瑕疵X和瑕疵Y之间的皮尔逊相关系数，是指变量的期望；

斯皮尔曼相关系数：；

其中，是瑕疵之间的斯皮尔曼系数，是瑕疵X、Y在重新排序后的秩次差，n是指变量的个数；

最大信息系数：

；

其中，是指瑕疵X和瑕疵Y之间的互信息，是瑕疵X和瑕疵Y之间的联合概率，和分别是瑕疵X和瑕疵Y的概率密度函数，是指瑕疵X和瑕疵Y之间的最大信息系数，B是预先设定的参数，一般情况下，，N为数据总量，是全部特征在所有采样时刻的采样观测值总和。

5.根据权利要求1所述的方法，其特征在于，所述对所述特征图进行迭代生成五金件瑕疵检测模型具体包括：

将所述特征图送入FPN特征金字塔进行特征提取得到特征层；使用YoloHead对3个加强的特征层分别进行分类预测和回归预测。

6.根据权利要求5所述的方法，其特征在于，所述将所述特征图送入FPN特征金字塔进行特征提取得到特征层具体包括：

对较小的特征图采取上采样，对较大的特征图采取下采样，并不断的把同等大小的特征图进行融合得到特征层。

7.根据权利要求1~6任一项中所述的方法，其特征在于，所述将自适应选择后的瞄框和图像大小作为输入得到特征图之前，所述方法还包括：

对自适应选择的后的瞄框和图像进行数据增强处理；

将数据增强处理和自适应选择后的瞄框和图像大小作为输入得到特征图。