CN110136116B - 一种注塑泵缺陷检测方法、装置、设备及存储介质 - Google Patents

一种注塑泵缺陷检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110136116B
CN110136116B CN201910402389.5A CN201910402389A CN110136116B CN 110136116 B CN110136116 B CN 110136116B CN 201910402389 A CN201910402389 A CN 201910402389A CN 110136116 B CN110136116 B CN 110136116B
Authority
CN
China
Prior art keywords
injection pump
defect
neural network
image
sample image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910402389.5A
Other languages
English (en)
Other versions
CN110136116A (zh
Inventor
唐浩然
张学习
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910402389.5A priority Critical patent/CN110136116B/zh
Publication of CN110136116A publication Critical patent/CN110136116A/zh
Application granted granted Critical
Publication of CN110136116B publication Critical patent/CN110136116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本申请公开了一种注塑泵缺陷检测方法，包括：获取注塑泵样本图像并提取注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息；将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络；利用注塑泵测试图像对目标神经网络进行准确度测试，并通过调整目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；利用缺陷检测模型检测待检测注塑泵图像，得出待检测注塑泵图像中注塑泵的目标缺陷部位。本方法能够识别出不同的待检测注塑泵图像中多种不同的缺陷，进而大大降低误检、漏检、过检的概率，从而提高缺陷检测的准确度。本申请还公开了一种注塑泵缺陷检测装置、设备及存储介质，均具有上述有益效果。

Description

一种注塑泵缺陷检测方法、装置、设备及存储介质
技术领域
本发明涉及缺陷检测领域，特别涉及一种注塑泵缺陷检测方法、装置、设备及计算机可读存储介质。
背景技术
随着注塑泵在人们日常生活中的应用越来越广泛，对注塑泵的质量要求也不断提高，因此，在工业制造过程中，在完成注塑泵的工件制造后，需要对注塑泵进行缺陷检测。
目前提出的注塑泵的缺陷检测方法是利用预先确定出的无缺陷的注塑泵的图像作为模板图像，将待检测图像与模板图像进行对比，找出两者之间具有明显差异的部分，作为检测出的注塑泵的缺陷部位。但是，这种检测方式只能检测出待检测图像和模板图像之间的区别，因此在实际操作中，由于拍摄角度等因素导致的图像区别也将被判定为缺陷部位；另外，在缺陷种类多种多样，甚至相同的缺陷种类也可能呈现出不同的图像的情况下，按照现有技术的方法对注塑泵没有规律特征的缺陷以及微小缺陷进行缺陷检测，将会出现误检、漏检、过检的情况，导致缺陷检测的准确率不高，难以适应对检测精度要求日益增长的行业需求。
因此，如何提高对注塑泵的缺陷检测的准确率，是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种注塑泵缺陷检测方法，能够提高注塑泵的缺陷检测的准确度；本发明的另一目的是提供一种注塑泵缺陷检测装置、设备及计算机可读存储介质，均具有上述有益效果。
为解决上述技术问题，本发明提供一种注塑泵缺陷检测方法，包括：
获取注塑泵样本图像并提取所述注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息；
将所述注塑泵样本图像和所述缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络；
利用注塑泵测试图像对所述目标神经网络进行准确度测试，并通过调整所述目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；
利用所述缺陷检测模型检测待检测注塑泵图像，得出所述待检测注塑泵图像中注塑泵的目标缺陷部位。
优选地，所述利用注塑泵测试图像对所述目标神经网络进行准确度测试，并通过调整所述目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型具体包括：
将所述注塑泵测试图像输入至所述目标神经网络中，得出测试缺陷部位；
利用所述注塑泵测试图像的实际缺陷坐标判断检测出的所述测试缺陷部位的准确度是否低于所述准确度期望值；
若是，则调整所述目标神经网络的网络参数，更新所述目标神经网络，并进入所述将所述注塑泵测试图像输入至所述目标神经网络中，得出测试缺陷部位的步骤；
若否，则将当前的目标神经网络设置为所述缺陷检测模型。
优选地，所述获取注塑泵样本图像并提取所述注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息具体包括：
获取所述注塑泵样本图像；
对所述注塑泵样本图像进行数据增强操作，得到扩容的注塑泵样本图像；其中，所述数据增强操作包括：缩放、对称翻转和角度旋转；
提取所述注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息。
优选地，所述将所述注塑泵样本图像和所述缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络具体包括：
依次将所述注塑泵样本图像和所述缺陷文本信息输入至所述深度学习神经网络中进行训练，并分别计算出对应的损失值；
当所述损失值低于预设阈值时，确定出所述目标神经网络。
优选地，在所述利用所述缺陷检测模型检测待检测注塑泵图像，得出所述待检测注塑泵图像中注塑泵的目标缺陷部位之后，进一步包括：
当检测出所述待检测注塑泵图像中注塑泵的所述目标缺陷部位时，发出对应的提示信息。
优选地，所述获取注塑泵样本图像并提取所述注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息具体包括：
获取所述注塑泵样本图像；
提取所述注塑泵样本图像中预先标注的缺陷部位的坐标和缺陷种类；
根据所述坐标和所述缺陷种类生成对应的缺陷文本信息。
优选地，所述深度学习神经网络具体为YOLO网络。
为解决上述技术问题，本发明还提供一种注塑泵缺陷检测装置，包括：
获取模块，用于获取注塑泵样本图像并提取所述注塑泵样本图像中预先标注的缺陷部位的坐标和缺陷种类，生成对应的缺陷文本信息；
训练模块，用于将所述注塑泵样本图像和所述缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络；
测试模块，用于利用注塑泵测试图像对所述目标神经网络进行准确度测试，并通过调整所述目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；
检测模块，用于利用所述缺陷检测模型检测待检测注塑泵图像，得出所述待检测注塑泵图像中注塑泵的目标缺陷部位。
为解决上述技术问题，本发明还提供一种注塑泵缺陷检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任一种注塑泵缺陷检测方法的步骤。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种注塑泵缺陷检测方法的步骤。
本发明提供的一种注塑泵缺陷检测方法，通过利用注塑泵样本图像以及注塑泵样本图像的缺陷部位的坐标对应的缺陷文本信息训练深度学习神经网络，得出目标神经网络；然后利用注塑泵测试图像对目标神经网络进行准确度测试，并通过调整目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；再利用训练得出的缺陷检测模型对待检测注塑泵图像进行缺陷检测，由于缺陷检测模型预先学习了缺陷特征，因此相较于现有技术中利用无缺陷的模板图像与待检测图像进行缺陷检测的方式，本方法能够识别出不同的待检测注塑泵图像中多种不同的缺陷，进而大大降低误检、漏检、过检的概率，从而提高缺陷检测的准确度。
为解决上述技术问题，本发明还提供了一种注塑泵缺陷检测装置、设备及计算机可读存储介质，均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种注塑泵缺陷检测方法的流程图；
图2为本发明实施例提供的一种注塑泵缺陷检测装置的结构图；
图3为本发明实施例提供的一种注塑泵缺陷检测设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的核心是提供一种注塑泵缺陷检测方法，能够提高注塑泵的缺陷检测的准确度；本发明的另一核心是提供一种注塑泵缺陷检测装置、设备及计算机可读存储介质，均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种注塑泵缺陷检测方法的流程图。如图1所示，一种注塑泵缺陷检测方法包括：
S10：获取注塑泵样本图像并提取注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息；
S20：将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络。
首先，为了利用深度学习神经网络训练得出目标神经网络，需要获取用于训练的注塑泵样本图像，并且需要预先利用label Img标注软件以标注框的形式标注出注塑泵样本图像中注塑泵的缺陷部位。然后通过Coordinate Annotation(坐标生成)程序提取出标注过的注塑泵样本图像中的标注框的坐标，即获取注塑泵样本图像中的缺陷部位，生成以二进制存储的.txt格式的缺陷文本信息，并使得缺陷文本信息与注塑泵样本图像一一对应。再将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中进行训练，使深度学习神经网络不断学习注塑泵的缺陷特征，通过梯度更新得到目标神经网络。
S30：利用注塑泵测试图像对目标神经网络进行准确度测试，并通过调整目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型。
具体的，在得出目标神经网络之后，还需要利用注塑泵测试图像对目标神经网络进行准确度测试，通过对目标神经网络的网络参数进行调整，使得目标神经网络满足准确度期望值，进而得出对应的缺陷检测模型。
需要说明的是，注塑泵测试图像与注塑泵样本图像都是预先标注了缺陷部位的注塑泵图像。在实际操作中，可以是将注塑泵图像集中的注塑泵图像进行标注后，分为注塑泵样本图像和注塑泵测试图像，分别用于训练深度学习神经网络得出目标神经网络和调整目标神经网络得出缺陷检测模型。
S40：利用缺陷检测模型检测待检测注塑泵图像，得出待检测注塑泵图像中注塑泵的目标缺陷部位。
具体的，在得出缺陷检测模型之后，则可以利用缺陷检测模型对待检测注塑泵图像进行缺陷检测，缺陷检测模型根据预先学习到的缺陷特征，对待检测注塑泵图像进行识别，得出待检测注塑泵图像中的注塑泵的目标缺陷部位，从而完成缺陷检测操作。
本实施例提供的一种注塑泵缺陷检测方法，通过利用注塑泵样本图像以及注塑泵样本图像的缺陷部位的坐标对应的缺陷文本信息训练深度学习神经网络，得出目标神经网络；然后利用注塑泵测试图像对目标神经网络进行准确度测试，并通过调整目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；再利用训练得出的缺陷检测模型对待检测注塑泵图像进行缺陷检测，由于缺陷检测模型预先学习了缺陷特征，因此相较于现有技术中利用无缺陷的模板图像与待检测图像进行缺陷检测的方式，本方法能够识别出不同的待检测注塑泵图像中多种不同的缺陷，进而大大降低误检、漏检、过检的概率，从而提高缺陷检测的准确度。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，利用注塑泵测试图像对目标神经网络进行准确度测试，并通过调整目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型具体包括：
将注塑泵测试图像输入至目标神经网络中，得出测试缺陷部位；
利用注塑泵测试图像的实际缺陷坐标判断测试缺陷部位的准确度是否低于准确度期望值；
若是，则调整目标神经网络的网络参数，更新目标神经网络，并进入将注塑泵测试图像输入至目标神经网络中，得出测试缺陷部位的步骤；
若否，则将当前的目标神经网络设置为缺陷检测模型。
具体的，在得出目标神经网络之后，将注塑泵测试图像输入至当前的目标神经网络中，利用目标神经网络对注塑泵测试图像进行缺陷检测，得出注塑泵测试图像中的测试缺陷部位，获取检测出的测试缺陷部位的缺陷测试坐标。然后利用预先获取的与注塑泵测试图像对应的缺陷文本信息的实际缺陷坐标与测试缺陷坐标进行对比，判断利用目标神经网络进行缺陷检测得出缺陷部位是否准确。将测试结果中准确的次数与当前进行测试的总数量的比值作为准确度，并判断该准确度是否低于准确度期望值。若是，则表示目标神经网络的准确度还未达到预期，需要继续对目标神经网络进行训练，具体通过调整目标神经网络的网络参数，得到更新的目标神经网络，再继续执行将注塑泵测试图像输入至目标神经网络中，得出测试缺陷部位的步骤，直到测试出的准确度大于或等于准确度期望值，则将当前的目标神经网络设置为缺陷检测模型。
可见，本实施例提供的注塑泵缺陷检测方法，通过注塑泵测试图像调整目标神经网络，得出缺陷检测效果能够满足准确度期望值的缺陷测试模型，调整方式相对简单易行且可以根据实际需求自行调整，具有灵活性。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，获取注塑泵样本图像并提取注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息具体包括：
获取注塑泵样本图像；
对注塑泵样本图像进行数据增强操作，得到扩容的注塑泵样本图像；其中，数据增强操作包括：缩放、对称翻转和角度旋转；
提取注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息。
具体的，本实施例中，是在获取到注塑泵样本图像之后，先对注塑泵样本图像进行图像增强操作，本实施例中的数据增强操作包括：缩放，即将注塑泵样本图像进行放大和缩小操作、对称翻转，即将注塑泵样本图像进行对称左右/上下对称翻转、以及角度旋转，即将注塑泵样本图像进行一定角度的旋转操作，如旋转±10°等。本实施例是将进行了数据增强操作之后分别得出的图像也作为注塑泵样本图像，相当于对注塑泵样本图像进行扩容处理，对应的，提取扩容后的注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息。
本实施例提供的注塑泵缺陷检测方法，不仅能够增大进行样本训练的样本容量，而且通过数据增强操作能够使得深度学习神经网络学习到不同大小、不同角度的缺陷特征，进一步提升缺陷检测模型的抗干扰能力，提高缺陷检测模型的鲁棒性。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络具体包括：
依次将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中进行训练，并分别计算出对应的损失值；
当损失值低于预设阈值时，确定出目标神经网络。
具体的，本实施例通过依次将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中进行训练，在每次输入一部分注塑泵样本图像和对应的缺陷文本信息之后，计算出当前深度学习神经网络对应的损失值。在损失值高于预设阈值时，将继续执行将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中进行训练，并分别计算出对应的损失值的步骤，直至计算出的损失值低于预设阈值时，则停止迭代计算操作，将当前的深度学习神经网络作为目标神经网络。
在本实施例中，当计算出的损失值为(10±1.0)且达到收敛时，表征当前的深度学习神经网络已经训练完成。
作为优选的实施方式，深度学习神经网络具体为YOLO网络。
需要说明的是，YOLO网络为一种端到端的深度学习网络结构，具有效率更高速度更快的特点，能比较好的满足工业上缺陷检测需求的实时性。并且，YOLOv3版本的网络相比之前的版本增加了类似SSD网络的多尺度特征图进行检测，提高了对小目标的检测精度，更能识别出注塑泵上的细小瑕疵缺陷，能够进一步提高缺陷检测的精度。另外，YOLOv3版本的网络中的骨干网络为预训练过的模型网络Darknet53，Darknet53含有53个卷积层，它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路，因此能够进一步提高缺陷检测的效率。
根据实验得出，按照本实施例提供的注塑泵缺陷检测方法，大幅度提高了对面积小于5mm2的缺陷部位的识别率，并且提升了缺陷检测速度。
作为优选的实施方式，获取注塑泵样本图像并提取注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息具体包括：
获取注塑泵样本图像；
提取注塑泵样本图像中预先标注的缺陷部位的坐标和缺陷种类；
根据坐标和缺陷种类生成对应的缺陷文本信息。
也就是说，在本实施例中，预先对注塑泵样本图像标记缺陷种类的标签，对应的，在获取到注塑泵样本图像之后，提取注塑泵样本图像中预先标注的缺陷部位的坐标和缺陷种类，然后根据坐标和缺陷种类生成对应的缺陷文本信息。在将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中进行训练时，深度学习神经网络能够进一步学习各缺陷特征对应的名称，即，各缺陷部位对应的缺陷种类。对应的，在利用注塑泵测试图像中对目标神经网络进行调整时，也根据注塑泵测试图像的缺陷文本信息包括测试缺陷坐标和测试缺陷种类对目标神经网络进行调整，得出缺陷检测模型。
对应的，在利用缺陷检测模型对待检测注塑泵图像进行缺陷检测时，得出待检测注塑泵图像的目标缺陷部位和目标缺陷种类。更具体的，在实际操作中，可能检测出待检测注塑泵图像存在多种缺陷种类的标签，表示各缺陷种类的标签设置有对应的分数，筛选出最高分数对应的标签作为目标缺陷种类。
可见，本方法进一步利用缺陷种类训练深度学习神经网络，能够在对待检测注塑泵图像进行缺陷检测时，能够进一步得出目标缺陷种类，因此能够进一步便于获取待检测注塑泵图像的目标缺陷种类，从而进一步提升缺陷检测的便捷度。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，在利用缺陷检测模型检测待检测注塑泵图像，得出待检测图像中的目标缺陷部位之后，进一步包括：
当检测出待检测注塑泵图像中注塑泵的目标缺陷部位时，发出对应的提示信息。
具体的，在本实施例中，在利用缺陷检测模型对待检测注塑泵图像进行检测的过程中，若待检测注塑泵图像中的注塑泵存在缺陷部位，将进一步发出对应的提示信息。需要说明的是，本实施例对提示信息的类型不做限定，例如，可以是通过蜂鸣器和/或指示灯等提示装置发出的信息作为提示信息，具体可以利用提示装置的发声频率/发光频率表示不同信息对应设置为不同的提示信息，从而达到对多种检测结果进行提示的效果。另外，也可以通过显示屏显示缺陷部位的信息，以达到对检测出缺陷部位的情况进行提示的效果。
可见，本实施例通过进一步在检测出待检测注塑泵图像中的目标缺陷部位时，发出对应的提示信息，以便于用户能够及时知晓缺陷检测情况，能够进一步提升用户的使用体验。
上文对于本发明提供的一种注塑泵缺陷检测方法的实施例进行了详细的描述，本发明还提供了一种与该方法对应的注塑泵缺陷检测装置、设备及计算机可读存储介质，由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应，因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图2为本发明实施例提供的一种注塑泵缺陷检测装置的结构图，如图2所示，一种注塑泵缺陷检测装置包括：
获取模块21，用于获取注塑泵样本图像并提取注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息；
训练模块22，用于将注塑泵样本图像和缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络；
测试模块23，用于利用注塑泵测试图像对目标神经网络进行准确度测试，并通过调整目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；
检测模块24，用于利用缺陷检测模型检测待检测注塑泵图像，得出待检测注塑泵图像中注塑泵的目标缺陷部位。
本发明实施例提供的注塑泵缺陷检测装置，具有上述注塑泵缺陷检测方法的有益效果。
图3为本发明实施例提供的一种注塑泵缺陷检测设备的结构图，如图3所示，一种注塑泵缺陷检测设备包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序时实现如上述注塑泵缺陷检测方法的步骤。
本发明实施例提供的注塑泵缺陷检测设备，具有上述注塑泵缺陷检测方法的有益效果。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述注塑泵缺陷检测方法的步骤。
本发明实施例提供的计算机可读存储介质，具有上述注塑泵缺陷检测方法的有益效果。
以上对本发明所提供的注塑泵缺陷检测方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

Claims (8)

1.一种注塑泵缺陷检测方法，其特征在于，包括：
获取注塑泵样本图像并提取所述注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息；
将所述注塑泵样本图像和所述缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络；
利用注塑泵测试图像对所述目标神经网络进行准确度测试，并通过调整所述目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；
利用所述缺陷检测模型检测待检测注塑泵图像，得出所述待检测注塑泵图像中注塑泵的目标缺陷部位；
其中，提取所述注塑泵样本图像中预先标注的所述缺陷部位的坐标，生成对应的所述缺陷文本信息包括：
预先利用label Img标注软件以标注框的形式标注出所述注塑泵样本图像中注塑泵的缺陷部位；
通过Coordinate Annotation(坐标生成)程序提取出标注过的所述注塑泵样本图像中的所述标注框的坐标；
生成以二进制存储的.txt格式的所述缺陷文本信息；
在所述提取所述注塑泵样本图像中预先标注的所述缺陷部位的坐标之前，还包括：
对所述注塑泵样本图像进行数据增强操作，得到扩容的注塑泵样本图像；其中，所述数据增强操作包括：缩放、对称翻转和角度旋转；
所述利用注塑泵测试图像对所述目标神经网络进行准确度测试，并通过调整所述目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型具体包括：
将所述注塑泵测试图像输入至所述目标神经网络中，得出测试缺陷部位；
利用所述注塑泵测试图像的实际缺陷坐标判断检测出的所述测试缺陷部位的准确度是否低于所述准确度期望值；
若是，则调整所述目标神经网络的网络参数，更新所述目标神经网络，并进入所述将所述注塑泵测试图像输入至所述目标神经网络中，得出测试缺陷部位的步骤；
若否，则将当前的目标神经网络设置为所述缺陷检测模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述注塑泵样本图像和所述缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络具体包括：
依次将所述注塑泵样本图像和所述缺陷文本信息输入至所述深度学习神经网络中进行训练，并分别计算出对应的损失值；
当所述损失值低于预设阈值时，确定出所述目标神经网络。
3.根据权利要求1所述的方法，其特征在于，在所述利用所述缺陷检测模型检测待检测注塑泵图像，得出所述待检测注塑泵图像中注塑泵的目标缺陷部位之后，进一步包括：当检测出所述待检测注塑泵图像中注塑泵的所述目标缺陷部位时，发出对应的提示信息。
4.根据权利要求1所述的方法，其特征在于，所述获取注塑泵样本图像并提取所述注塑泵样本图像中预先标注的缺陷部位的坐标，生成对应的缺陷文本信息具体包括：
获取所述注塑泵样本图像；
提取所述注塑泵样本图像中预先标注的缺陷部位的坐标和缺陷种类；
根据所述坐标和所述缺陷种类生成对应的缺陷文本信息。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述深度学习神经网络具体为YOLO网络。
6.一种注塑泵缺陷检测装置，其特征在于，包括：
获取模块，用于获取注塑泵样本图像并提取所述注塑泵样本图像中预先标注的缺陷部位的坐标和缺陷种类，生成对应的缺陷文本信息；
训练模块，用于将所述注塑泵样本图像和所述缺陷文本信息输入至深度学习神经网络中，训练得出目标神经网络；
测试模块，用于利用注塑泵测试图像对所述目标神经网络进行准确度测试，并通过调整所述目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型；
检测模块，用于利用所述缺陷检测模型检测待检测注塑泵图像，得出所述待检测注塑泵图像中注塑泵的目标缺陷部位；
其中，提取所述注塑泵样本图像中预先标注的所述缺陷部位的坐标，生成对应的所述缺陷文本信息包括：
预先利用label Img标注软件以标注框的形式标注出所述注塑泵样本图像中注塑泵的缺陷部位；
通过Coordinate Annotation(坐标生成)程序提取出标注过的所述注塑泵样本图像中的所述标注框的坐标；
生成以二进制存储的.txt格式的所述缺陷文本信息；
在所述提取所述注塑泵样本图像中预先标注的所述缺陷部位的坐标之前，还包括：
对所述注塑泵样本图像进行数据增强操作，得到扩容的注塑泵样本图像；其中，所述数据增强操作包括：缩放、对称翻转和角度旋转；
所述利用注塑泵测试图像对所述目标神经网络进行准确度测试，并通过调整所述目标神经网络的网络参数得出满足准确度期望值的缺陷检测模型具体包括：
将所述注塑泵测试图像输入至所述目标神经网络中，得出测试缺陷部位；
利用所述注塑泵测试图像的实际缺陷坐标判断检测出的所述测试缺陷部位的准确度是否低于所述准确度期望值；
若是，则调整所述目标神经网络的网络参数，更新所述目标神经网络，并进入所述将所述注塑泵测试图像输入至所述目标神经网络中，得出测试缺陷部位的步骤；
若否，则将当前的目标神经网络设置为所述缺陷检测模型。
7.一种注塑泵缺陷检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的注塑泵缺陷检测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的注塑泵缺陷检测方法的步骤。
CN201910402389.5A 2019-05-15 2019-05-15 一种注塑泵缺陷检测方法、装置、设备及存储介质 Active CN110136116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910402389.5A CN110136116B (zh) 2019-05-15 2019-05-15 一种注塑泵缺陷检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910402389.5A CN110136116B (zh) 2019-05-15 2019-05-15 一种注塑泵缺陷检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110136116A CN110136116A (zh) 2019-08-16
CN110136116B true CN110136116B (zh) 2024-01-23

Family

ID=67574107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910402389.5A Active CN110136116B (zh) 2019-05-15 2019-05-15 一种注塑泵缺陷检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110136116B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503644B (zh) * 2019-08-27 2023-07-25 广东工业大学 基于移动平台的缺陷检测实现方法、缺陷检测方法及相关设备
CN110508510A (zh) * 2019-08-27 2019-11-29 广东工业大学 一种塑料泵缺陷检测方法、装置及***
CN111652853A (zh) * 2020-05-11 2020-09-11 西南科技大学 一种基于深度卷积神经网络的磁粉探伤检测方法
CN111815564B (zh) * 2020-06-09 2024-03-29 浙江华睿科技股份有限公司 一种检测丝锭的方法、装置及丝锭分拣***
CN112884744A (zh) * 2021-02-22 2021-06-01 深圳中科飞测科技股份有限公司 检测方法及装置、检测设备和存储介质
CN117957438A (zh) * 2022-08-30 2024-04-30 宁德时代新能源科技股份有限公司 缺陷检测的方法、装置和计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985214A (zh) * 2018-07-09 2018-12-11 上海斐讯数据通信技术有限公司 图像数据的标注方法和装置
CN109242825A (zh) * 2018-07-26 2019-01-18 北京首钢自动化信息技术有限公司 一种基于深度学习技术的钢铁表面缺陷识别方法和装置
CN109559298A (zh) * 2018-11-14 2019-04-02 电子科技大学中山学院 一种基于深度学习的乳液泵缺陷检测的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS592069B2 (ja) * 1976-04-15 1984-01-17 三菱電機株式会社 輪郭線情報を用いた図形傷検出装置
CN108052959A (zh) * 2017-11-15 2018-05-18 南京邮电大学 一种提高深度学习图片识别算法鲁棒性的方法
CN109064461A (zh) * 2018-08-06 2018-12-21 长沙理工大学 一种基于深度学习网络的钢轨表面缺陷检测方法
CN109389599A (zh) * 2018-10-25 2019-02-26 北京阿丘机器人科技有限公司 一种基于深度学习的缺陷检测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985214A (zh) * 2018-07-09 2018-12-11 上海斐讯数据通信技术有限公司 图像数据的标注方法和装置
CN109242825A (zh) * 2018-07-26 2019-01-18 北京首钢自动化信息技术有限公司 一种基于深度学习技术的钢铁表面缺陷识别方法和装置
CN109559298A (zh) * 2018-11-14 2019-04-02 电子科技大学中山学院 一种基于深度学习的乳液泵缺陷检测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于深度学习的乳液泵缺陷检测算法";马浩鹏，朱春媚，周文辉等;《液晶与显示》;第34卷(第1期);81-89 *
"A coupled mode analysis of the multistrip acoustic surface-wave coupler";D.E. Tremain;《Proceedings of the IEEE》;第61卷(第4期);492-494 *

Also Published As

Publication number Publication date
CN110136116A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110136116B (zh) 一种注塑泵缺陷检测方法、装置、设备及存储介质
EP3937128A2 (en) Image defect detection method and apparatus, electronic device, storage medium and product
CN111693534B (zh) 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN107123111B (zh) 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN110992329A (zh) 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN109901996B (zh) 辅助测试的方法、装置、电子设备及可读存储介质
CN110378227B (zh) 修正样本标注数据的方法、装置、设备及存储介质
CN114445746A (zh) 模型训练方法、铁路接触网异常检测方法及相关装置
CN116452580B (zh) 一种笔记本外观质量检测方法
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
CN111428374A (zh) 零件缺陷检测方法、装置、设备及存储介质
CN109118476B (zh) 一种零部件边缘轮廓完整性检测方法及装置
CN110660049A (zh) 一种基于深度学习的轮胎缺陷检测方法
CN111539456B (zh) 一种目标识别方法及设备
CN114549993A (zh) 实验中线段图像的评分方法、***、设备及可读存储介质
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN116542984A (zh) 五金件缺陷检测方法、装置、计算机设备及存储介质
CN113554645B (zh) 基于wgan的工业异常检测方法和装置
CN117372424B (zh) 一种缺陷检测方法、装置、设备及存储介质
CN111738991A (zh) 一种焊缝缺陷的数字射线检测模型的创建方法
CN114841255A (zh) 检测模型的训练方法、装置、设备、存储介质及程序产品
CN116977241A (zh) 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品
CN107341830A (zh) 一种确定弹孔环值的方法及装置
CN113804704A (zh) 电路板检测方法、视觉检测设备及具有存储功能的装置
CN111797007A (zh) 应用程序用户界面缺陷的自动化检测与定位方法及电子装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant