技术领域
[0001] 本
发明涉及自动检测技术领域，具体涉及一种产品缺陷检测方法及系统。
背景技术
[0002] 目前，对于自动化生产线的检测方式主要以人工抽检为主，而自动化更高的流
水线会采用识别坐标点偏移等方法，并以此作为依据判断产品是否有误，这种方式准确率较高，但是对于光照、背景、传输速率等外在因素依赖程度较高。
发明内容
[0003] 本发明的目的在于提供一种产品缺陷检测方法及系统，有利于在复杂环境下及经常变动的环境中提升检测的泛用性与准确率。
[0004] 为实现上述目的，本发明的技术方案提供了一种产品缺陷检测方法，包括：
[0005] 步骤S1：采集待检测产品的图像；
[0006] 步骤S2：对所述采集的待检测产品的图像进行预处理；
[0007] 步骤S3：将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的
卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
[0008] 步骤S4：根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测。
[0009] 进一步地，所述步骤S2包括：
[0010] 步骤S21：对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的
图像分割为多个子图像。
[0011] 进一步地，所述步骤S2还包括：
[0012] 步骤S22：对所述子图像进行
颜色通道处理。
[0013] 进一步地，所述训练好的卷积神经网络模型采用以下方式得到：
[0014] 对所述训练样本库中的每一个图像进行预处理；
[0015] 构建卷积神经网络模型；
[0016] 对于所述训练样本库中的每一个图像，将其预处理得到的图像数据输入所述构建的卷积神经网络模型中进行特征的提取，并根据对其提取的特征以及其标注的缺陷分类信息进行特征记忆；
[0017] 根据所述记忆的特征对所述构建的卷积神经网络模型进行
固化。
[0018] 进一步地，在所述步骤S4之后还包括：
[0019] 步骤S5：根据所述缺陷检测的结果执行报警操作。
[0020] 为实现上述目的，本发明的技术方案还提供了一种产品缺陷检测系统，包括
图像采集装置及分析处理装置；
[0021] 所述图像采集装置用于采集待检测产品的图像；
[0022] 所述分析处理装置包括预处理模
块、特征提取模块、分类模块；
[0023] 所述预处理模块用于对所述采集的待检测产品的图像进行预处理；
[0024] 所述特征提取模块用于将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
[0025] 所述分类模块用于根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测。
[0026] 进一步地，所述预处理模块包括：
[0027] 矩阵化处理单元，用于对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像。
[0028] 进一步地，所述预处理模块还包括：
[0029] 颜色通道处理单元，用于对所述子图像进行颜色通道处理。
[0030] 进一步地，所述分析处理装置还包括：
[0031] 报警模块，用于根据所述缺陷检测的结果执行报警操作。
[0032] 进一步地，所述产品缺陷检测系统还包括
光源以及数字
信号连接卡件。
[0033] 本发明提供的产品缺陷检测方法，可以减小不同光源、检测件摆放
角度、阴影情况、软性线缆随机卷曲等外界因素对检测结果的影响，实现对生产线产品缺陷的准确检测，有利于在复杂环境下及经常变动的环境中提升检测的泛用性与准确率。
附图说明
[0034] 图1是本发明实施方式提供的一种产品缺陷检测方法的
流程图；
[0035] 图2是本发明实施方式提供的对卷积神经网络模型进行训练的流程图。
具体实施方式
[0036] 下面结合附图和
实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0037] 参见图1，图1是本发明实施方式提供的一种产品缺陷检测方法的流程图，该方法包括：
[0038] 步骤S1：采集待检测产品的图像；
[0039] 步骤S2：对所述采集的待检测产品的图像进行预处理；
[0040] 步骤S3：将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
[0041] 步骤S4：根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测；
[0042] 步骤S5：根据所述缺陷检测的结果执行报警操作，例如，在检测出不同缺陷类型时可以发出不同的报警信息。
[0043] 其中，上述步骤S2可以包括步骤S21～S22；
[0044] 步骤S21：对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像；
[0045] 具体地，首先将图片分解为矩阵形式，接下来将矩阵形式中的特征按照坐标进行排列；
[0046] 步骤S22：对所述子图像进行颜色通道处理，例如，为了提高
数据处理速度，可以将三通道图像转化为单通道图像。
[0047] 其中，在本发明实施方式中，所述训练好的卷积神经网络模型采用以下方式得到：
[0048] 步骤A：对训练样本库中的每一个图像进行预处理；
[0049] 该训练样本库包括多个已标注缺陷分类的产品图像，例如，可以对与待检测产品相同生产线生产的产品进行图像采集，之后根据缺陷的类型对采集的图像进行标注；
[0050] 例如，可以首先对训练样本库中的图像进行图像矩阵化处理，将其分割为多个子图像，之后对子图像进行颜色通道处理，例如可将其转换为单通道图像；
[0051] 步骤B：构建卷积神经网络模型，例如，该卷积神经网络模型可以为7层神经网络模型、46层神经网络模型或者52层神经网络模型；
[0052] 步骤C：对于所述训练样本库中的每一个图像，将其预处理得到的图像数据输入所述构建的卷积神经网络模型中进行特征的提取，并根据对其提取的特征以及其标注的缺陷分类信息进行特征记忆；
[0053] 步骤D：根据所述记忆的特征对所述构建的卷积神经网络模型进行固化；
[0054] 通过在构建的卷积神经网络模型中输入大量的标注图像进行学习，从这些图片中学习工程相关的核心特征，并将这种特征识别的模式固化为最终模型，从而实现对卷积神经网络模型的训练，具体地，参见图2，对训练样本库中的每一个图像，首先依次对其进行图像矩阵化处理以及颜色通道处理，之后将处理后得到的图像数据输入构建的卷积神经网络模型中，并提取特征，通过提取的特征进行图像类别预测，并将预测结果与图像标注的缺陷分类信息进行比对，如果预测正确，则记忆该特征，如果预测错误，则重新提取特征；
[0055] 通过上述方式对识别的特征进行挑拣，将每个特征与样本最终的结果进行匹配，匹配正确的特征记忆保留下来，匹配失败的则通过loss参数进行忽略，经过多层卷积神经网络对大量图片的不断
迭代，使卷积神经网络模型学会我们想要让其记忆的核心特征，并可以根据这些特征来对一张新的图片进行预测。
[0056] 在训练开始之时，卷积神经网络模型的卷积层的
滤波器是完全随机的，它们不会对任何特征激活(不能检测任何特征)，对于一个空白的滤波器，通过
修改其权重(weights)以使它能检测特定的模式，整个过程就如同工程里面的反馈，通过这样的反馈，卷积神经网络模型可以自行学习需要判断的核心特征。
[0057] 以92键
键盘(92个检测点位)为例，对无缺陷的键盘进行图像采集，并随机对缺少2～91个键位的产品进行图像采集，形成训练样本库，例如，对于7层卷积神经网络模型，若训练样本库中包括200张正确图片以及200张缺键图片，训练后的神经网络模型的准确率可达75％，若训练样本库中包括300张正确图片以及300张缺键图片，训练后的神经网络模型的准确率可达82％，若训练样本库中包括1000张正确图片以及1000张缺键图片，训练后的神经网络模型的准确率可达94.3％，对于52层卷积神经网络模型，若训练样本库中包括1000张正确图片以及1000张缺键图片，训练后的神经网络模型的准确率可达99.5％；
[0058] 以
汽车杯托为例，检测的类别可以包括长边
正面胶条检测、长边背面胶条检测、短边胶条检测、短边卡件检测、上顶盖有无检测、导光条检测等18项检测类别，通过采用本发明中的方法，能够准确检测汽车杯托生产线生产的产品，并在检测到缺陷后自动报警。例如，对于46层卷积神经网络模型，若训练样本库中包括18种缺陷各100张图像，训练后的神经网络模型的准确率可达72％，若训练样本库中包括18种缺陷各200张图像，训练后的神经网络模型的准确率可达87.5％，若训练样本库中包括18种缺陷各300张图像，训练后的神经网络模型的准确率可达98.2％。
[0059] 本发明实施方式提供的产品缺陷检测方法，可以减小不同光源、检测件摆放角度、阴影情况、软性线缆随机卷曲等外界因素对检测结果的影响，实现对生产线产品缺陷的准确检测，有利于在复杂环境下及经常变动的环境中提升检测的泛用性与准确率。
[0060] 此外，本发明实施方式还提供了一种产品缺陷检测系统，该系统包括图像采集装置、分析处理装置、光源以及
数字信号连接卡件；
[0061] 所述图像采集装置用于采集待检测产品的图像，例如，该图像采集装置可以为摄像头(如采用网络定焦摄像头)，实时
帧率大于60Hz，其通过数字信号连接卡件连接分析处理装置；
[0062] 所述分析处理装置包括预处理模块、特征提取模块、分类模块、报警模块；
[0063] 所述预处理模块用于对所述采集的待检测产品的图像进行预处理；
[0064] 所述特征提取模块用于将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
[0065] 所述分类模块用于根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测；
[0066] 报警模块，用于根据所述缺陷检测的结果执行报警操作，例如，报警模块可以按照项目的实际需要发出报警、高低电平信号、操作指示信号等。
[0067] 其中，所述预处理模块包括矩阵化处理单元和颜色通道处理单元；
[0068] 矩阵化处理单元用于对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像；
[0069] 颜色通道处理单元用于对所述子图像进行颜色通道处理。
[0070] 本发明实施方式提供的产品缺陷检测系统基于
深度学习技术，通过构建卷积神经网络模型对大量产品的图像进行学习，可以自动提取出错误产品的特征，并根据检测出的不同错误类型发出报警，以便整体流水线工艺有依据的做出适时的调整。
[0071] 虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明
基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
