CN111968093A - 磁瓦表面缺陷检测方法、装置、电子设备及存储介质 - Google Patents

磁瓦表面缺陷检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111968093A
CN111968093A CN202010836043.9A CN202010836043A CN111968093A CN 111968093 A CN111968093 A CN 111968093A CN 202010836043 A CN202010836043 A CN 202010836043A CN 111968093 A CN111968093 A CN 111968093A
Authority
CN
China
Prior art keywords
defect detection
network model
magnetic shoe
image
detected
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.)
Pending
Application number
CN202010836043.9A
Other languages
English (en)
Inventor
张发恩
杨敏
艾国
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.)
Innovation Wisdom Shanghai Technology Co ltd
AInnovation Shanghai Technology Co Ltd
Original Assignee
Innovation Wisdom Shanghai Technology Co ltd
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 Innovation Wisdom Shanghai Technology Co ltd filed Critical Innovation Wisdom Shanghai Technology Co ltd
Priority to CN202010836043.9A priority Critical patent/CN111968093A/zh
Publication of CN111968093A publication Critical patent/CN111968093A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

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)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本申请提供一种磁瓦表面缺陷检测方法、装置、电子设备及存储介质，磁瓦表面缺陷检测方法包括：获取待检测磁瓦图像；输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。本申请磁瓦表面缺陷检测方法、装置、电子设备及存储介质，以有效地提高磁瓦表面缺陷检测的准确率，更为准确地确定磁瓦表面是否存在缺陷，并且，其具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。

Description

磁瓦表面缺陷检测方法、装置、电子设备及存储介质
技术领域
本申请涉及缺陷检测技术领域，具体而言，涉及一种磁瓦表面缺陷检测方法、装置、电子设备及存储介质。
背景技术
磁瓦是磁性材料的一种，其是应用较为广泛的磁性材料之一。在磁瓦的生产过程中，磁瓦的生产已具有很高的自动化程度，但目前，磁瓦的表面缺陷检测主要还是人工检测，人工检测的方式效率低下，难以保证检测的准确性，且人力成本较高。
随着科学技术的不断发展及检测要求的提高，目前已有基于机器视觉实现磁瓦表面缺陷检测的方式，但现有的基于机器视觉实现磁瓦表面缺陷检测的方式大多较为简单，缺陷检测的准确率不高，难以较为准确地确定磁瓦表面是否存在缺陷，同时，基于机器视觉实现磁瓦表面缺陷检测的方式也难以较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测，其鲁棒性及延展性较差。
发明内容
本申请实施例的目的在于提供一种磁瓦表面缺陷检测方法、装置、电子设备及存储介质，以有效地提高磁瓦表面缺陷检测的准确率，更为准确地确定磁瓦表面是否存在缺陷，并且，其具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。
第一方面，本申请实施例提供了一种磁瓦表面缺陷检测方法，包括：
获取待检测磁瓦图像；
输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；
输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；
根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。
在上述实现过程中，本申请实施例的磁瓦表面缺陷检测方法，通过输入获取的待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像，以及通过输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，预设的特征提取网络模型能较好地对待检测磁瓦图像进行特征提取，便于预设的分类网络模型的得分预测，并且预设的分类网络模型也能较为准确地预测得到待检测磁瓦的缺陷检测得分，从而可以较为准确地确定磁瓦表面是否存在缺陷，有效地提高磁瓦表面缺陷检测的准确率，同时，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，本申请实施例的磁瓦表面缺陷检测方法具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。
进一步地，所述待检测磁瓦图像为多个，多个所述待检测磁瓦图像的拍摄角度各不相同。
在上述实现过程中，该方法获取的待检测磁瓦图像为多个拍摄角度各不相同的待检测磁瓦图像，输入预设的特征提取网络模型的待检测磁瓦图像亦为多个拍摄角度各不相同的待检测磁瓦图像，多个拍摄角度各不相同的待检测磁瓦图像能更为完整地体现待检测磁瓦的外观，也更为利于预设的特征提取网络模型的特征提取，可以使得本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率进一步提高。
进一步地，所述输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，包括：
输入多张不同尺度的所述特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；
根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
在上述实现过程中，该方法对多张不同尺度的特征提取图像进行特征融合得到融合特征图像，融合特征图像具有更多的提取特征，能使得预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，因而可以更好地提高本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率。
进一步地，所述预设的分类网络模型包括注意力机制模块；
所述根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分，包括：
通过所述预设的分类网络模型的注意力机制模块对所述融合特征图像进行处理；
根据处理后的融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
在上述实现过程中，该方法通过预设的分类网络模型的注意力机制模块对融合特征图像进行处理，可以使得预设的分类网络模型更为关注融合特征图像中信息量较大的特征，抑制融合特征图像中信息量较小的特征，此种方式有利于预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，可以进一步地提高本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率。
进一步地，所述根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷，包括：
根据所述缺陷检测得分及预设得分阈值，确定待检测磁瓦是否存在表面缺陷。
在上述实现过程中，该方法通过缺陷检测得分及预设得分阈值确定待检测磁瓦是否存在表面缺陷，便于待检测磁瓦表面是否存在缺陷的快速确定。
第二方面，本申请实施例提供了一种磁瓦表面缺陷检测装置，包括：
获取模块，用于获取待检测磁瓦图像；
特征提取模块，用于输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；
分类预测模块，用于输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；
确定模块，用于根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。
在上述实现过程中，本申请实施例的磁瓦表面缺陷检测装置，通过输入获取的待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像，以及通过输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，预设的特征提取网络模型能较好地对待检测磁瓦图像进行特征提取，便于预设的分类网络模型的得分预测，并且预设的分类网络模型也能较为准确地预测得到待检测磁瓦的缺陷检测得分，从而可以较为准确地确定磁瓦表面是否存在缺陷，有效地提高磁瓦表面缺陷检测的准确率，同时，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，本申请实施例的磁瓦表面缺陷检测装置具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。
进一步地，所述分类预测模块，具体用于：
输入多张不同尺度的所述特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；
根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
在上述实现过程中，该装置对多张不同尺度的特征提取图像进行特征融合得到融合特征图像，融合特征图像具有更多的提取特征，能使得预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，因而可以更好地提高本申请实施例的磁瓦表面缺陷检测装置的缺陷检测准确率。
进一步地，所述预设的分类网络模型包括注意力机制模块；
所述分类预测模块在根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分时，通过所述预设的分类网络模型的注意力机制模块对所述融合特征图像进行处理；根据处理后的融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
在上述实现过程中，该装置通过预设的分类网络模型的注意力机制模块对融合特征图像进行处理，可以使得预设的分类网络模型更为关注融合特征图像中信息量较大的特征，抑制融合特征图像中信息量较小的特征，此种方式有利于预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，可以进一步地提高本申请实施例的磁瓦表面缺陷检测装置的缺陷检测准确率。
第三方面，本申请实施例提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的磁瓦表面缺陷检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有上述的电子设备中所使用的计算机程序。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一提供的磁瓦表面缺陷检测方法的流程示意图；
图2为本申请实施例一提供的预设的特征提取网络模型的示意图；
图3为本申请实施例一提供的步骤S130的流程示意图；
图4为本申请实施例一提供的预设的分类网络模型的示意图；
图5为本申请实施例二提供的磁瓦表面缺陷检测装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
目前已有基于机器视觉实现磁瓦表面缺陷检测的方式，但现有的基于机器视觉实现磁瓦表面缺陷检测的方式大多较为简单，缺陷检测的准确率不高，难以较为准确地确定磁瓦表面是否存在缺陷，同时，基于机器视觉实现磁瓦表面缺陷检测的方式也难以较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测，其鲁棒性及延展性较差。
针对上述现有技术中的问题，本申请提供了一种磁瓦表面缺陷检测方法、装置、电子设备及存储介质，以有效地提高磁瓦表面缺陷检测的准确率，更为准确地确定磁瓦表面是否存在缺陷，并且，其具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。
实施例一
参见图1，图1为本申请实施例提供的磁瓦表面缺陷检测方法的流程示意图。本申请实施例中下述的磁瓦表面缺陷检测方法可应用于服务器。
本申请实施例的磁瓦表面缺陷检测方法，包括如下步骤：
步骤S110，获取待检测磁瓦图像。
在本实施例中，待检测磁瓦图像为待检测磁瓦的表面图像，也即待检测磁瓦图像体现的是待检测磁瓦的外观。
步骤S120，输入待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像。
在本实施例中，预设的特征提取网络模型为预先训练好的特征提取网络模型，其为深度学习模型。
预设的特征提取网络模型可以是efficentnet模型，具体地，可参见图2，图2为本申请实施例提供的预设的特征提取网络模型的示意图，实际上也即是efficentnet模型的示意图。
需要说明的是，在其他实施例中，预设的特征提取网络模型还可以为其他模型，例如，densenet模型、resnet模型或vggnet模型等等。
步骤S130，输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分。
在本实施例中，预设的分类网络模型为预先训练好的分类网络模型，其为深度学习模型。
预设的分类网络模型预测得到的待检测磁瓦的缺陷检测得分用于确定待检测磁瓦是否存在表面缺陷，待检测磁瓦的缺陷检测得分的取值在0到1之间。
步骤S140，根据缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。
在本实施例中，待检测磁瓦是否存在表面缺陷，可以是待检测磁瓦表面是否平整，若待检测磁瓦表面不平，即待检测磁瓦存在表面缺陷；若待检测磁瓦表面平整，即待检测磁瓦不存在表面缺陷。
本申请实施例的磁瓦表面缺陷检测方法，通过输入获取的待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像，以及通过输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，预设的特征提取网络模型能较好地对待检测磁瓦图像进行特征提取，便于预设的分类网络模型的得分预测，并且预设的分类网络模型也能较为准确地预测得到待检测磁瓦的缺陷检测得分，从而可以较为准确地确定磁瓦表面是否存在缺陷，有效地提高磁瓦表面缺陷检测的准确率，同时，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，本申请实施例的磁瓦表面缺陷检测方法具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。
在本实施例中，待检测磁瓦图像为多个，多个待检测磁瓦图像的拍摄角度各不相同。
可选地，多个待检测磁瓦图像可以是三个。
在上述过程中，待检测磁瓦图像为多个拍摄角度各不相同的待检测磁瓦图像，输入预设的特征提取网络模型的待检测磁瓦图像亦为多个拍摄角度各不相同的待检测磁瓦图像，多个拍摄角度各不相同的待检测磁瓦图像能更为完整地体现待检测磁瓦的外观，也更为利于预设的特征提取网络模型的特征提取，可以使得本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率进一步提高。
需要说明的是，在其他实施例中，待检测磁瓦图像可以为单个。
为了可以更好地提高本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率，本申请实施例提供一种可能的实施方式，参见图3，图3为本申请实施例提供的步骤S130的流程示意图，本申请实施例的磁瓦表面缺陷检测方法，步骤S130，输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，包括：
步骤S131，输入多张不同尺度的特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；
步骤S132，根据融合特征图像及预设的分类网络模型，得到对应的缺陷检测得分。
在上述过程中，该方法对多张不同尺度的特征提取图像进行特征融合得到融合特征图像，融合特征图像具有更多的提取特征，能使得预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，因而可以更好地提高本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率。
可选地，预设的分类网络模型包括注意力机制模块；
步骤S132，根据融合特征图像及预设的分类网络模型，得到对应的缺陷检测得分，包括：
通过预设的分类网络模型的注意力机制模块对融合特征图像进行处理；
根据处理后的融合特征图像及预设的分类网络模型，得到对应的缺陷检测得分。
预设的分类网络模型的注意力机制模块，用于关注融合特征图像中信息量较大的特征，抑制融合特征图像中信息量较小的特征。
预设的分类网络模型的注意力机制模块可以是SE(Squeeze-and-Excitation)模块，该模块主要的功能是对各个通道进行权重的分配，帮助网络把重要的特征信息学习到。
在上述过程中，该方法通过预设的分类网络模型的注意力机制模块对融合特征图像进行处理，可以使得预设的分类网络模型更为关注融合特征图像中信息量较大的特征，抑制融合特征图像中信息量较小的特征，此种方式有利于预设的分类网络模型更为准确地预测得到待检测磁瓦的缺陷检测得分，可以进一步地提高本申请实施例的磁瓦表面缺陷检测方法的缺陷检测准确率。
对于上述内容，可结合图4进行理解，图4为本申请实施例提供的预设的分类网络模型的示意图。
作为一种可选的实施方式，本申请实施例的磁瓦表面缺陷检测方法，步骤S140，根据缺陷检测得分，确定待检测磁瓦是否存在表面缺陷，包括：
根据缺陷检测得分及预设得分阈值，确定待检测磁瓦是否存在表面缺陷。
具体地，可以是缺陷检测得分大于或等于预设得分阈值，则确定待检测磁瓦存在表面缺陷。
在将本申请实施例的磁瓦表面缺陷检测方法实际应用于磁瓦的表面缺陷检测之前，可通过本申请实施例的磁瓦表面缺陷检测方法对一组表面可能存在缺陷或不存在缺陷的处于临界状态的磁瓦图片进行测验，根据一组测验得分确定预设得分阈值。
在上述过程中，该方法通过缺陷检测得分及预设得分阈值确定待检测磁瓦是否存在表面缺陷，便于待检测磁瓦表面是否存在缺陷的快速确定。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种磁瓦表面缺陷检测装置。
参见图5，图5为本申请实施例提供的磁瓦表面缺陷检测装置的结构框图。
本申请实施例的磁瓦表面缺陷检测装置，包括：
获取模块210，用于获取待检测磁瓦图像；
特征提取模块220，用于输入待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；
分类预测模块230，用于输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；
确定模块240，用于根据缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。
本申请实施例的磁瓦表面缺陷检测装置，通过输入获取的待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像，以及通过输入特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，预设的特征提取网络模型能较好地对待检测磁瓦图像进行特征提取，便于预设的分类网络模型的得分预测，并且预设的分类网络模型也能较为准确地预测得到待检测磁瓦的缺陷检测得分，从而可以较为准确地确定磁瓦表面是否存在缺陷，有效地提高磁瓦表面缺陷检测的准确率，同时，预设的特征提取网络模型及预设的分类网络模型均为深度学习模型，本申请实施例的磁瓦表面缺陷检测装置具有较强的鲁棒性及延展性，能较好地适用于不同尺寸或不同弧度的磁瓦的表面缺陷检测。
作为一种可选的实施方式，分类预测模块230，可具体用于：
输入多张不同尺度的特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；
根据融合特征图像及预设的分类网络模型，得到对应的缺陷检测得分。
可选地，分类预测模块230在根据融合特征图像及预设的分类网络模型，得到对应的缺陷检测得分时，通过预设的分类网络模型的注意力机制模块对融合特征图像进行处理；根据处理后的融合特征图像及预设的分类网络模型，得到对应的缺陷检测得分。
作为一种可选的实施方式，确定模块240，可具体用于：
根据缺陷检测得分及预设得分阈值，确定待检测磁瓦是否存在表面缺陷。
上述的磁瓦表面缺陷检测装置可实施上述实施例一的磁瓦表面缺陷检测方法。上述实施例一中的可选项也适用于本实施例，这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容，在本实施例中，不再进行赘述。
实施例三
本申请实施例提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的磁瓦表面缺陷检测方法。
可选地，上述电子设备可以是服务器。
另外，本申请实施例还提供一种计算机可读存储介质，其存储有上述的电子设备中所使用的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种磁瓦表面缺陷检测方法，其特征在于，包括：
获取待检测磁瓦图像；
输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；
输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；
根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。
2.根据权利要求1所述的磁瓦表面缺陷检测方法，其特征在于，所述待检测磁瓦图像为多个，多个所述待检测磁瓦图像的拍摄角度各不相同。
3.根据权利要求1所述的磁瓦表面缺陷检测方法，其特征在于，所述输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分，包括：
输入多张不同尺度的所述特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；
根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
4.根据权利要求3所述的磁瓦表面缺陷检测方法，其特征在于，所述预设的分类网络模型包括注意力机制模块；
所述根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分，包括：
通过所述预设的分类网络模型的注意力机制模块对所述融合特征图像进行处理；
根据处理后的融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
5.根据权利要求1所述的磁瓦表面缺陷检测方法，其特征在于，所述根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷，包括：
根据所述缺陷检测得分及预设得分阈值，确定待检测磁瓦是否存在表面缺陷。
6.一种磁瓦表面缺陷检测装置，其特征在于，包括：
获取模块，用于获取待检测磁瓦图像；
特征提取模块，用于输入所述待检测磁瓦图像至预设的特征提取网络模型，得到特征提取图像；
分类预测模块，用于输入所述特征提取图像至预设的分类网络模型，得到对应的缺陷检测得分；
确定模块，用于根据所述缺陷检测得分，确定待检测磁瓦是否存在表面缺陷。
7.根据权利要求6所述的磁瓦表面缺陷检测装置，其特征在于，所述分类预测模块，具体用于：
输入多张不同尺度的所述特征提取图像至预设的分类网络模型进行特征融合，得到融合特征图像；
根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
8.根据权利要求7所述的磁瓦表面缺陷检测装置，其特征在于，所述预设的分类网络模型包括注意力机制模块；
所述分类预测模块在根据所述融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分时，通过所述预设的分类网络模型的注意力机制模块对所述融合特征图像进行处理；根据处理后的融合特征图像及所述预设的分类网络模型，得到对应的缺陷检测得分。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的磁瓦表面缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，其存储有权利要求9所述的电子设备中所使用的计算机程序。
CN202010836043.9A 2020-08-19 2020-08-19 磁瓦表面缺陷检测方法、装置、电子设备及存储介质 Pending CN111968093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010836043.9A CN111968093A (zh) 2020-08-19 2020-08-19 磁瓦表面缺陷检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010836043.9A CN111968093A (zh) 2020-08-19 2020-08-19 磁瓦表面缺陷检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111968093A true CN111968093A (zh) 2020-11-20

Family

ID=73389428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010836043.9A Pending CN111968093A (zh) 2020-08-19 2020-08-19 磁瓦表面缺陷检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111968093A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723527A (zh) * 2021-09-01 2021-11-30 重庆赛迪奇智人工智能科技有限公司 分类模型训练方法、瑕疵检测方法、装置和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009622A (zh) * 2019-04-04 2019-07-12 武汉精立电子技术有限公司 一种显示面板外观缺陷检测网络及其缺陷检测方法
CN110097544A (zh) * 2019-04-25 2019-08-06 武汉精立电子技术有限公司 一种显示面板外观缺陷检测方法
CN110766681A (zh) * 2019-10-28 2020-02-07 福建帝视信息科技有限公司 一种基于三重损失网络的竹条表面缺陷检测方法
CN110796643A (zh) * 2019-10-18 2020-02-14 四川大学 一种铁轨扣件缺陷检测方法和***
CN110826416A (zh) * 2019-10-11 2020-02-21 佛山科学技术学院 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009622A (zh) * 2019-04-04 2019-07-12 武汉精立电子技术有限公司 一种显示面板外观缺陷检测网络及其缺陷检测方法
CN110097544A (zh) * 2019-04-25 2019-08-06 武汉精立电子技术有限公司 一种显示面板外观缺陷检测方法
CN110826416A (zh) * 2019-10-11 2020-02-21 佛山科学技术学院 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN110796643A (zh) * 2019-10-18 2020-02-14 四川大学 一种铁轨扣件缺陷检测方法和***
CN110766681A (zh) * 2019-10-28 2020-02-07 福建帝视信息科技有限公司 一种基于三重损失网络的竹条表面缺陷检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723527A (zh) * 2021-09-01 2021-11-30 重庆赛迪奇智人工智能科技有限公司 分类模型训练方法、瑕疵检测方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN106951925B (zh) 数据处理方法、装置、服务器及***
CN106530194B (zh) 一种疑似侵权产品图片的检测方法及装置
EP2899671A1 (en) Identification method and device for target object in image
CN109901996B (zh) 辅助测试的方法、装置、电子设备及可读存储介质
US8811750B2 (en) Apparatus and method for extracting edge in image
US20150036935A1 (en) Information processing apparatus, information processing method, and storage medium
CN109978078B (zh) 字体版权检测方法、介质、计算机设备及装置
WO2020039882A1 (ja) 判別装置及び機械学習方法
CN114419029B (zh) 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置
CN111144215A (zh) 图像处理方法、装置、电子设备及存储介质
CN112508910A (zh) 用于多分类缺陷检测的缺陷提取方法及装置
CN111489348B (zh) 一种磁性材料产品表面缺陷模拟方法及装置
CN111652145B (zh) 一种公式检测的方法、装置、电子设备和存储介质
CN112288727A (zh) 磁环表面缺陷检测方法、装置、电子设备及存储介质
CN111222507A (zh) 数字式仪表读数的自动识别方法、计算机可读存储介质
CN111311598A (zh) 基于多视角的紧固件表面缺陷检测方法及装置
CN111968093A (zh) 磁瓦表面缺陷检测方法、装置、电子设备及存储介质
JP6874864B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN106886796B (zh) 图标位置识别方法、装置及终端设备
CN111767868B (zh) 人脸检测方法、装置、电子设备及存储介质
CN111046736B (zh) 一种提取文本信息的方法、装置和存储介质
CN115019152A (zh) 一种图像拍摄完整度判定方法及装置
CN107578168B (zh) 一种用于缺陷库移植的方法、装置及电子设备
CN107886615B (zh) 边缘检测方法及验钞设备
JP2007316950A (ja) 画像処理方法及び装置及びプログラム

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201120

RJ01 Rejection of invention patent application after publication