[发明专利]一种机器视觉瑕疵检测方法、装置、介质及设备

说明书

本公开提供了一种机器视觉瑕疵检测方法、装置、介质及设备，所述方法包括：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；根据瑕疵类别得到瞄框和图像大小自动调节方法，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。本公开的方法有效地降低计算复杂度，提高小目标的检测准确率。

技术领域

本公开涉及目标检测技术领域，更为具体来说，本公开涉及一种机器视觉瑕疵检测方法、装置、介质及设备。

背景技术

五金件是生产领域常见的工具，在其加工过程中，可能会出现表面划痕、压印、电镀不良、脏污等瑕疵的异常情况，这些瑕疵不仅影响外形美观，严重的情况可能影响到设备的正常安全运行。现有的五金件检测系统大多依靠人工进行抽检，很难保证整个批次的产品进行全部检验。人工检测存在时间周期较长，生产效率较低，成本较高，人为因素影响较大，误检率漏检率较高等情况。相对于人工抽检，利用机器进行瑕疵检测更加的高速、高效、精准。此外，肉眼无法检测细微的瑕疵，采用机器视觉能够迅速检测出微米级的缺陷，尤其是对精密五金件检测来说，机器视觉检测的应用是非常必要的。常用的机器视觉检测系统主要通过获取图像和处理图像来判断瑕疵的数量和类别。大多数情况，只是针对比较简单的场景对一些明显故障做出判断，不能满足实际的需求。

发明内容

为解决现有技术的机器视觉检测方法具有局限性不能满足用户的实际需求的技术问题。

为实现上述技术目的，本公开提供了一种机器视觉检测方法，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。

进一步，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。

进一步，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。

进一步，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；