工站缺陷检测方法、装置、设备及计算机可读存储介质与流程

摘要: 本技术涉及视觉检测,尤其涉及一种工站缺陷检测方法、装置、设备及计算机可读存储介质。背景技术:1、目前在工业产线中,缺陷检测通常依赖有监督深度学习模型。针对每个新...
工站缺陷检测方法、装置、设备及计算机可读存储介质与流程

本技术涉及视觉检测,尤其涉及一种工站缺陷检测方法、装置、设备及计算机可读存储介质。

背景技术:

1、目前在工业产线中,缺陷检测通常依赖有监督深度学习模型。针对每个新增工站,需要独立采集缺陷图像,训练专用检测模型。然而,实际产线良率高,缺陷图像获取困难,导致训练样本数量不足,模型难以达到理想的检测精度和泛化性能。同时,不同工站间的缺陷形态和成像条件存在差异,已训练的模型难以直接复用,造成重复开发和部署周期长的问题。

2、此外,现有缺陷检测模型的特征提取能力有限,对微小缺陷和复杂纹理背景下的缺陷辨识能力有限,容易出现漏检或误检,影响检测结果的准确性与可靠性。

技术实现思路

1、本技术的主要目的在于提供一种工站缺陷检测方法、装置、设备及计算机可读存储介质,旨在提高缺陷检测模型的开发效率,并提高缺陷检测的准确性与可靠性。

2、本技术提供一种工站缺陷检测方法,所述方法包括:

3、获取目标工站的第一缺陷图像;

4、根据所述第一缺陷图像,构建所述目标工站对应的模型训练样本集;

5、根据所述模型训练样本集,对预先构建的通用检测模型进行迭代训练,生成所述目标工站对应的缺陷检测模型,其中,所述通用检测模型包括分类子网络和目标检测子网络,所述分类子网络和所述目标检测子网络共享所述模型训练样本集中的输入图像;所述分类子网络在瓶颈残差块中引入通道注意力模块和空间注意力模块,用于输出缺陷类别预测结果;所述目标检测子网络的主干网络采用稠密连接网络,用于输出缺陷位置预测结果和目标存在概率预测结果;

6、所述缺陷检测模型通过所述分类子网络的输出或所述目标检测子网络的输出,确定所述目标工站的缺陷检测结果。

7、在一实施例中,在所述分类子网络中,所述瓶颈残差块的主路径依次经过第一1×1卷积层、第一批归一化层及激活函数、3×3卷积层、第二批归一化层及激活函数、第二1×1卷积层、第三批归一化层;

8、所述通道注意力模块和所述空间注意力模块设置在所述第三批归一化层之后、所述主路径的输出与残差路径的输出相加之前的位置,用于依次对所述主路径的输出进行通道维度重标定和空间维度重标定。

9、在一实施例中,在所述目标检测子网络的稠密连接网络中,同一稠密块内的每一卷积层的输入由位于所述每一卷积层之前的所有卷积层的输出特征图在通道维度上拼接而成。

10、在一实施例中,所述目标检测子网络还包括特征金字塔网络、路径聚合网络和解耦检测头;

11、所述缺陷检测模型通过所述目标检测子网络的输出,确定所述目标工站的缺陷检测结果的步骤,包括:

12、获取所述目标工站的待测图像,并将所述待测图像输入所述缺陷检测模型;

13、通过所述缺陷检测模型中的稠密连接网络对所述待测图像进行特征提取处理,得到多尺度特征图;

14、通过所述缺陷检测模型中的特征金字塔网络对所述多尺度特征图进行自顶向下的语义信息融合,得到第一融合特征图;

15、通过所述缺陷检测模型中的路径聚合网络对所述第一融合特征图进行自底向上的定位信息融合,得到三个不同尺度的第二融合特征图;

16、通过所述缺陷检测模型中的解耦检测头对所述三个不同尺度的第二融合特征图分别进行分类预测、回归预测和目标性预测,得到所述目标工站的缺陷检测结果。

17、在一实施例中,所述目标检测子网络还包括动态标签分配模块,所述方法还包括:

18、在根据所述模型训练样本集对预先构建的通用检测模型进行迭代训练的过程中,将所述通用检测模型中的解耦检测头输出的预测边界框与所述模型训练样本集中的真实边界框,输入所述通用检测模型中的动态标签分配模块;

19、通过所述通用检测模型中的动态标签分配模块,计算每一所述预测边界框与每一所述真实边界框之间的匹配代价,并根据所述匹配代价,确定所述模型训练样本集中的正样本;

20、确定每个所述正样本所对应的分类损失、回归损失和目标性损失;

21、根据所有所述正样本所对应的分类损失、回归损失和目标性损失,更新所述通用检测模型的参数。

22、在一实施例中,所述根据所述第一缺陷图像,构建所述目标工站对应的模型训练样本集的步骤,包括:

23、获取与所述目标工站具有相同或相似成像条件的历史工站所积累的历史缺陷图像;

24、从所述历史缺陷图像中,提取同一缺陷形态在不同光照条件下的变化规律信息;

25、根据所述变化规律信息,对所述第一缺陷图像进行数据增强,得到第二缺陷图像;

26、汇总所述第一缺陷图像与所述第二缺陷图像,得到所述目标工站对应的模型训练样本集。

27、在一实施例中,所述根据所述变化规律信息,对所述第一缺陷图像进行数据增强,得到第二缺陷图像的步骤,包括:

28、根据所述变化规律信息,对所述第一缺陷图像执行亮度调整、对比度调整、旋转、平移、噪声注入中的至少一种操作,得到所述第二缺陷图像。

29、此外,为实现上述目的,本技术还提供一种工站缺陷检测装置,所述工站缺陷检测装置包括:

30、样本构建模块,用于获取目标工站的第一缺陷图像;根据所述第一缺陷图像,构建所述目标工站对应的模型训练样本集;

31、模型训练模块,用于根据所述模型训练样本集,对预先构建的通用检测模型进行迭代训练,生成所述目标工站对应的缺陷检测模型,其中,所述通用检测模型包括分类子网络和目标检测子网络,所述分类子网络和所述目标检测子网络共享所述模型训练样本集中的输入图像;所述分类子网络在瓶颈残差块中引入通道注意力模块和空间注意力模块,用于输出缺陷类别预测结果;所述目标检测子网络的主干网络采用稠密连接网络,用于输出缺陷位置预测结果和目标存在概率预测结果;

32、缺陷检测模块,用于所述缺陷检测模型通过所述分类子网络的输出或所述目标检测子网络的输出,确定所述目标工站的缺陷检测结果。

33、此外,为实现上述目的,本技术还提供一种电子设备,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上所述的工站缺陷检测方法。

34、此外,为实现上述目的,本技术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如上所述的工站缺陷检测方法。

35、本技术提供了一种工站缺陷检测方法,包括:获取目标工站的第一缺陷图像;根据第一缺陷图像,构建目标工站对应的模型训练样本集;根据模型训练样本集,对预先构建的通用检测模型进行迭代训练,生成目标工站对应的缺陷检测模型,其中,通用检测模型包括分类子网络和目标检测子网络,分类子网络和目标检测子网络共享模型训练样本集中的输入图像;分类子网络在瓶颈残差块中引入通道注意力模块和空间注意力模块,用于输出缺陷类别预测结果;目标检测子网络的主干网络采用稠密连接网络,用于输出缺陷位置预测结果和目标存在概率预测结果;缺陷检测模型通过分类子网络的输出或目标检测子网络的输出,确定目标工站的缺陷检测结果。

36、因此,本技术提供的技术方案通过在分类子网络的瓶颈残差块中引入通道注意力模块和空间注意力模块,使得模型能够对特征图进行通道维度和空间维度的重标定,从而聚焦于缺陷关键特征并抑制背景噪声。同时,设置目标检测子网络的主干网络采用稠密连接网络,使得模型能够通过特征复用增强浅层特征提取能力,提升对微小缺陷和复杂纹理背景下缺陷的辨识能力。此外,分类子网络和目标检测子网络共享模型训练样本集中的输入图像,分别输出缺陷类别预测结果以及缺陷位置预测结果和目标存在概率预测结果,使得缺陷检测模型能够利用分类子网络和目标检测子网络的输出,全面且准确地确定各类工站的缺陷检测结果。由此,在训练样本有限的情况下,模型仍能有效学习缺陷特征,减少漏检和误检,从而能够在提高缺陷检测模型的开发效率的同时,提高缺陷检测的准确性与可靠性。