[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110458231B - 一种陶瓷产品检测方法、装置和设备 - Google Patents

一种陶瓷产品检测方法、装置和设备 Download PDF

Info

Publication number
CN110458231B
CN110458231B CN201910740460.0A CN201910740460A CN110458231B CN 110458231 B CN110458231 B CN 110458231B CN 201910740460 A CN201910740460 A CN 201910740460A CN 110458231 B CN110458231 B CN 110458231B
Authority
CN
China
Prior art keywords
ceramic product
trained
detection
image
result
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
CN201910740460.0A
Other languages
English (en)
Other versions
CN110458231A (zh
Inventor
匡金龙
王钦若
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 CN201910740460.0A priority Critical patent/CN110458231B/zh
Publication of CN110458231A publication Critical patent/CN110458231A/zh
Application granted granted Critical
Publication of CN110458231B publication Critical patent/CN110458231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种陶瓷产品检测方法、装置和设备，包括：获取待训练陶瓷产品图像集；对待训练陶瓷产品图像进行色差计算，得到色差计算结果；当色差计算结果大于或等于第一阈值时，检测结果为不合格，当色差计算结果小于所述第一阈值时，检测结果为合格；将检测结果为合格和不合格的待训练陶瓷产品图像进行分类保存；将分类保存的合格和不合格的待训练陶瓷产品图像输入到卷积神经网络中，对卷积神经网络进行训练，得到训练好的卷积神经网络模型；将待检测陶瓷产品图像输入到训练好的卷积神经网络模型中，输出检测结果。本发明通过卷积神经网络对陶瓷产品进行检测，替代传统的人工目视检测方法，解决了现有的陶瓷产品检测准确度不高的技术问题。

Description

一种陶瓷产品检测方法、装置和设备
技术领域
本发明涉及图像检测领域，尤其涉及一种陶瓷产品检测方法、装置和设备。
背景技术
在陶瓷产品烧结制作、抛光处理过程中，多种原因会导致产品存在缺陷，如烧结过程中环境湿度大、预热升温速度快、冷却时间短，都会造成陶瓷产品内外收缩不均匀，产生具有一定深度的缺陷，在产品上表现为破损、崩边、缺角或裂纹缺陷；而抛光过程中抛光粉的力度不均匀或掺杂有较大的颗粒杂质，生产环境或表面清洁擦布含粉尘、紧密研磨时不完全研磨等因素则是造成陶瓷产品表面抛光不全、小斑点等缺陷的主要原因。含缺陷的产品一旦漏检进入安装环节或进入市场，将影响产品性能和使用寿命，以及消费者的口碑。因此，需要对陶瓷产品进行严格的外观检测。
现有陶瓷产品检测自动化程度不高，仍停留在人工目视检测阶段，检测人员通过以往习得的先验知识，检测陶瓷产品表面是否存在缺陷，以此判断陶瓷产品为合格或不合格。但受繁重检测工作量的影响，反复检测同一对象，检测人员容易出现疲倦、懈怠的心理情绪，易于出现缺陷漏检，从而导致检测准确度不高。
发明内容
本发明提供了一种陶瓷产品检测方法、装置和设备，用于解决现有的陶瓷产品检测准确度不高的技术问题。
有鉴于此，本申请第一方面提供了一种陶瓷产品检测方法，包括：
获取待训练陶瓷产品图像集；
对所述待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果；
当所述色差计算结果大于或等于第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当所述色差计算结果小于所述第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格；
将所述检测结果为合格和不合格的所述待训练陶瓷产品图像进行分类保存；
将所述分类保存的合格和不合格的所述待训练陶瓷产品图像输入到卷积神经网络中，对所述卷积神经网络进行训练；
计算所述陶瓷产品图像的检测准确率，当所述检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型；
将待检测陶瓷产品图像输入到所述训练好的卷积神经网络模型中，输出检测结果。
优选地，所述获取待训练陶瓷产品图像，之前还包括：
搭建光源一致的检测台，通过所述检测台采集多个视角的陶瓷产品图像集，所述陶瓷产品图像集包括待训练陶瓷产品图像集和/或待检测陶瓷产品图像集。
优选地，所述将所述检测结果为合格和不合格的陶瓷产品图像进行分类保存，之前还包括：
对所述待训练陶瓷产品图像进行二值化处理；
对所述二值化处理后的所述待训练陶瓷产品图像进行特征提取，得到特征向量；
将所述特征向量输入到训练好的分类器中，输出检测结果，所述检测结果包括合格或不合格。
优选地，所述对所述二值化处理后的所述待训练陶瓷产品图像进行特征提取，得到特征向量，包括：
对所述二值化处理后的所述待训练陶瓷产品图像采用模糊自适应的Hough变换进行倾斜角提取和自适应的Canny边缘化检测，得到特征向量；
或
对所述二值化处理后的所述待训练陶瓷产品图像采用SURF算法进行特征提取，得到特征向量。
优选地，所述将所述检测结果为合格和不合格的陶瓷产品图像进行分类保存，之前还包括：
建立所述待训练陶瓷产品图像中的陶瓷产品的三维模型；
将所述陶瓷产品的三维模型与标准三维模型进行尺寸比对，将尺寸比对结果进行量化，得到所述陶瓷产品的形变结果；
当所述形变结果大于或等于第三阈值时，所述检测结果为不合格，当所述形变结果小于所述第三阈值时，所述检测结果为合格。
本申请第二方面提供了一种陶瓷产品检测装置，包括：
图像获取模块，用于获取待训练陶瓷产品图像集；
色差计算模块，用于对所述待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果；
色差检测模块，用于当所述色差计算结果大于或等于第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当所述色差计算结果小于所述第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格；
分类保存模块，用于将所述检测结果为合格和不合格的所述待训练陶瓷产品图像进行分类保存；
训练模块，用于将所述分类保存的合格和不合格的所述待训练陶瓷产品图像输入到卷积神经网络中，对所述卷积神经网络进行训练；
计算模块，用于计算所述陶瓷产品图像的检测准确率，当所述检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型；
第一检测模块，用于将待检测陶瓷产品图像输入到所述训练好的卷积神经网络模型中，输出检测结果。
优选地，还包括：
检测台搭建模块，用于搭建光源一致的检测台，通过所述检测台采集多个视角的陶瓷产品图像集，所述陶瓷产品图像集包括待训练陶瓷产品图像集和/或待检测陶瓷产品图像集。
优选地，还包括：
二值化处理模块，用于对所述待训练陶瓷产品图像进行二值化处理；
特征提取模块，用于对所述二值化处理后的所述待训练陶瓷产品图像进行特征提取，得到特征向量；
第二检测模块，用于将所述特征向量输入到训练好的分类器中，输出检测结果，所述检测结果包括合格或不合格。
优选地，还包括：
三维模型建立模块，用于建立所述待训练陶瓷产品图像中的陶瓷产品的三维模型；
尺寸比对模块，用于将所述陶瓷产品的三维模型与标准三维模型进行尺寸比对，将尺寸比对结果进行量化，得到所述陶瓷产品的形变结果；
尺寸检测模块，用于当所述形变结果大于或等于第三阈值时，所述检测结果为不合格，当所述形变结果小于所述第三阈值时，所述检测结果为合格。
本申请第三方面提供了一种陶瓷产品检测设备，包括：所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面的任一项所述的陶瓷产品检测方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种陶瓷产品检测方法，包括：获取待训练陶瓷产品图像集；对待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果；当色差计算结果大于或等于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当色差计算结果小于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格；将检测结果为合格和不合格的待训练陶瓷产品图像进行分类保存；将分类保存的合格和不合格的待训练陶瓷产品图像输入到卷积神经网络中，对卷积神经网络进行训练；计算陶瓷产品图像的检测准确率，当检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型；将待检测陶瓷产品图像输入到训练好的卷积神经网络模型中，输出检测结果。
本申请提供的一种陶瓷产品检测方法，对陶瓷产品进行色差检测时，检测人员容易检测出错，特别是对于细微的色差，检测人员不易检测出来，而本申请通过色差计算得到色差计算结果，将色差计算结果与第一阈值进行比较，得到检测结果为陶瓷产品合格或陶瓷产品不合格，比人工目视检测方法的检测准确率要高，以此获得的数据集比人工分类的数据集也要更准确，而一个准确的数据集有利于训练一个更好的卷积神经网络模型，有助于提高卷积神经网络模型的检测准确率，因此，本申请采用卷积神经网络进行陶瓷产品检测，代替了传统的人工目视检测方法，解决了检测人员易于出现缺陷漏检，从而导致检测准确度不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种陶瓷产品检测方法的第一个实施例的流程示意图；
图2为本发明提供的一种陶瓷产品检测方法的第二个实施例的流程示意图；
图3为本发明提供的一种陶瓷产品检测方法的第三个实施例的流程示意图；
图4为本发明提供的一种陶瓷产品检测装置的一个实施例的结构示意图。
具体实施方式
本发明提供了一种陶瓷产品检测方法、装置和设备，用于解决现有的陶瓷产品检测准确度不高的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明提供了一种陶瓷产品检测方法的第一个实施例，包括：
步骤101，获取待训练陶瓷产品图像集。
需要说明的是，对获得的待训练陶瓷产品图像集还需要进行筛选，筛选掉一些质量不高的图像。
步骤102，对待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果。
需要说明的是，本申请实施例中，可以基于CIELAB颜色空间进行色差计算，即将待训练的陶瓷产品图像和标准陶瓷产品图像先转换到CIEXYZ颜色空间，再由CIEXYZ颜色空间转换到CIELAB颜色空间，得到CIELAB颜色空间的待训练的陶瓷产品图像和标准陶瓷产品图像，计算待训练的陶瓷产品图像和标准陶瓷产品图像之间明度L*和色度指数a*和b*的差值，假设CIELAB颜色空间的标准陶瓷产品图像为
Figure BDA0002163751770000061
CIELAB颜色空间的待训练的陶瓷产品图像为
Figure BDA0002163751770000062
对待训练陶瓷产品图像进行色差计算，得到色差计算结果
Figure BDA0002163751770000063
色差公式如下所示：
Figure BDA0002163751770000064
步骤103，当色差计算结果大于或等于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当色差计算结果小于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格。
需要说明的是，将色差计算结果与第一阈值进行比较，当色差结果大于或等于第一阈值时，说明实际生产的陶瓷产品的表面颜色与标准陶瓷产品的表面颜色的色差相差较大，该陶瓷产品不合格；当色差结果小于第一阈值时，说明实际生产的陶瓷产品的表面颜色与标准陶瓷产品的表面颜色比较接近，该陶瓷产品合格。
第一阈值的设置根据实际情况决定，当该陶瓷产品的色差对该陶瓷产品的使用影响不大时，第一阈值可适当取较大值；当该陶瓷的色差严重影响该陶瓷产品的使用价值和观赏价值时，第一阈值可适当取较小值。
步骤104，将检测结果为合格和不合格的待训练陶瓷产品图像进行分类保存。
需要说明的是，通过步骤103对陶瓷产品图像进行检测，得到检测结果，即陶瓷产品合格和陶瓷产品不合格，将陶瓷产品合格和陶瓷产品不合格对应的陶瓷产品图像进行分类保存，分为合格和不合格的两类进行保存，以便后续卷积神经网络模型进行二分类训练。
色差检测是检测人员容易检测出错，特别是对于细微的色差，检测人员不易检测出来，而本实施例请通过色差计算得到色差计算结果，将色差计算结果与第一阈值进行比较，得到检测结果为陶瓷产品合格或陶瓷产品不合格，比人工目视检测方法的检测准确率要高，以此获得的数据集比人工分类的数据集也要更准确，而一个准确的数据集有利于训练一个更好的卷积神经网络模型，有助于提高模型的检测准确率。
步骤105，将分类保存的合格和不合格的待训练陶瓷产品图像输入到卷积神经网络中，对卷积神经网络进行训练。
需要说明的是，卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，将保存的合格和不合格陶瓷产品图像作为输入，通过输入层输入到卷积神经网络模型中，通过一系列的卷积层和池化层进行特征提取和特征选择，提取到抽象的、深层次的特征，经过Softmax分类器进行二分类，最终通过输出层输出检测结果。
步骤106，计算陶瓷产品图像的检测准确率，当检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型。
需要说明的是，检测准确率通过正确检测的训练图像数目与所有训练图像数目的比值计算得到，当检测准确率高于预先设定的第二阈值时，则认为训练完成，停止训练，得到训练好的卷积神经网络模型。
步骤107，将待检测陶瓷产品图像输入到训练好的卷积神经网络模型中，输出检测结果。
需要说明的是，采用卷积神经网络模型进行陶瓷产品检测，不需要过多的人工干涉，降低了人工成本。
本申请实施例提供的一种陶瓷产品检测方法，对陶瓷产品进行色差检测时，检测人员容易检测出错，特别是对于细微的色差，检测人员不易检测出来，而本申请通过色差计算得到色差计算结果，将色差计算结果与第一阈值进行比较，得到检测结果为陶瓷产品合格或陶瓷产品不合格，比人工目视检测方法的检测准确率要高，以此获得的数据集比人工分类的数据集也要更准确，而一个准确的数据集有利于训练一个更好的卷积神经网络模型，有助于提高卷积神经网络模型的检测准确率，因此，本申请采用卷积神经网络进行陶瓷产品检测，代替了传统的人工目视检测方法，解决了检测人员易于出现缺陷漏检，从而导致检测准确度不高的技术问题。
为了便于理解，请参阅图2，本发明提供的一种陶瓷产品检测方法的第二实施例的流程示意图。
步骤201，搭建光源一致的检测台，通过检测台采集多个视角的陶瓷产品图像集。
需要说明的是，光源的选择是确保光源一致的关键，不同的检测场景中光源选择技巧：使用颜色来创建对比度、使用平闪光照射快速移动的物体、使用红外线来消除反射、使用红外线来减少颜色变化，根据实际需要选择相应的光源，有利于后续的特征提取和三维建模。
通过检测台的多个深度相机从多个视角采集陶瓷产品图像集，该陶瓷产品图像集包括待训练陶瓷产品图像集和/或待检测陶瓷产品图像集，为后续的特征提取和三维建模做准备。
步骤202，获取待训练陶瓷产品图像集。
步骤203，对待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果。
步骤204，当色差计算结果大于或等于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当色差计算结果小于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格。
步骤205，对待训练陶瓷产品图像进行二值化处理。
需要说明的是，二值化处理是图像预处理中的一步，目的是区分前景和背景，得到图像感兴趣的部分，即特征点，对图像进行二值化处理可以降低特征维度，提升算法运行效率。
步骤206，对二值化处理后的待训练陶瓷产品图像进行特征提取，得到特征向量。
需要说明的是，对二值化处理后的待训练陶瓷产品图像采用模糊自适应的Hough变换进行倾斜角提取和自适应的Canny边缘化检测，得到关于陶瓷产品轮廓信息的特征向量；也可以对二值化处理后的待训练陶瓷产品图像采用SURF算法进行特征提取，得到特征向量。
上述采用的特征提取方法提取的是陶瓷产品的外观特征，采用上述方法能提取到陶瓷产品表面的缺陷特征，有利于后续的分类器进行检测，从而提高检测准确度。
步骤207，将特征向量输入到训练好的分类器中，输出检测结果，检测结果包括合格或不合格。
需要说明的是，将得到的特征向量输入到已经训练好的二分类器中进行检测，得到外观检测结果，当检测结果为合格时，说明该陶瓷产品的表面不存在缺陷；当检测结果为不合格时，说明该陶瓷产品的表面存在缺陷。其中，分类器可以是SVM分类器或KNN分类器。
在实际检测中，人工目视检测并不能完全检测出陶瓷产品的外观是否有缺陷，特别是一些细微的表面缺陷，很容易把有外观缺陷的陶瓷产品检测为合格的陶瓷产品，在本实施例中通过对陶瓷产品进行外观特征提取和外观检测，获得外观不合格和合格的陶瓷产品图像，避免了把有外观缺陷的陶瓷产品检测为合格的陶瓷产品，提高了陶瓷产品的检测准确度；通过上述外观检测获得的数据集比人工分类出来的数据集要更准确，而一个准确的数据集有利于训练一个更好的卷积神经网络模型，有助于提高模型的检测准确率。
本实施例中的步骤205至步骤207与步骤203至步骤204不存在时序上的先后关系，步骤205至步骤207与步骤203至步骤204可以同时进行，步骤205至步骤207可以在步骤203至步骤204之前或之后。
步骤208，将检测结果为合格和不合格的待训练陶瓷产品图像进行分类保存。
步骤209，将分类保存的合格和不合格的待训练陶瓷产品图像输入到卷积神经网络中，对卷积神经网络进行训练。
步骤210，计算陶瓷产品图像的检测准确率，当检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型。
步骤211，将待检测陶瓷产品图像输入到训练好的卷积神经网络模型中，输出检测结果。
需要说明的是，本申请实施例中的步骤208至步骤211与上一实施例中的步骤104至步骤107一致，在此不再进行赘述。
为了便于理解，请参阅图3，本发明提供的一种陶瓷产品检测方法的第三个实施例的流程示意图。
步骤301，搭建光源一致的检测台，通过检测台采集多个视角的陶瓷产品图像集。
步骤302，获取待训练陶瓷产品图像集。
步骤303，对待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果。
步骤304，当色差计算结果大于或等于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当色差计算结果小于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格。
步骤305，对待训练陶瓷产品图像进行二值化处理。
步骤306，对二值化处理后的待训练陶瓷产品图像进行特征提取，得到特征向量。
步骤307，将特征向量输入到训练好的分类器中，输出检测结果，检测结果包括合格或不合格。
需要说明的是，本申请实施例中的步骤301至步骤307与上一实施例中的步骤201至步骤207一致，在此不再进行赘述。
步骤308，建立待训练陶瓷产品图像中的陶瓷产品的三维模型。
需要说明的是，根据检测台采集的多个视角的陶瓷产品图像和深度信息，采用三维建模软件建立陶瓷产品三维模型。
步骤309，将陶瓷产品的三维模型与标准三维模型进行尺寸比对，将尺寸比对结果进行量化，得到陶瓷产品的形变结果。
需要说明的是，将通过建模得到的陶瓷产品三维模型尺寸减去陶瓷产品的标准三维模型尺寸，所得差值即为形变结果，该形变结果体现了该陶瓷产品的形变程度。
步骤310，当形变结果大于或等于第三阈值时，检测结果为不合格，当形变结果小于第三阈值时，检测结果为合格。
需要说明的是，将形变结果与第三阈值进行比较，当形变结果大于或等于第三阈值时，说明实际生产的陶瓷产品尺寸与标准陶瓷产品尺寸偏差较大，该陶瓷产品不合格；当形变结果小于第三阈值时，说明实际生产的陶瓷产品尺寸与标准陶瓷产品尺寸偏差较小，该陶瓷产品合格。
在实际检测中，人工目视检测并不能完全检测出陶瓷产品的尺寸是否有偏差，以及偏差多少，很容易把有尺寸缺陷的陶瓷产品检测为合格的陶瓷产品，在本实施例中通过对陶瓷产品进行尺寸检测，获得尺寸不合格和合格的陶瓷产品图像，避免了把有尺寸缺陷的陶瓷产品检测为合格的陶瓷产品，提高了陶瓷产品的检测准确度；通过尺寸比对方法获得的数据集比人工分类出来的数据集要更准确，而一个准确的数据集有利于训练一个更好的卷积神经网络模型，有助于提高模型的检测准确率。
本实施例中的步骤308至步骤310与步骤303至步骤404以及步骤305至步骤307不存在时序上的先后关系，比如，步骤308至步骤310可以与步骤303至步骤404以及步骤305至步骤307同时进行，也可以是在步骤303至步骤404之前或之后，也可以是在步骤305至步骤307之前或之后，步骤303至步骤404也可以在步骤305至步骤307之前或之后。
步骤311，将检测结果为合格和不合格的待训练陶瓷产品图像进行分类保存。
步骤312，将分类保存的合格和不合格的待训练陶瓷产品图像输入到卷积神经网络中，对卷积神经网络进行训练。
步骤313，计算陶瓷产品图像的检测准确率，当检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型。
步骤314，将待检测陶瓷产品图像输入到训练好的卷积神经网络模型中，输出检测结果。
需要说明的是，本申请实施例中的步骤311至步骤314与第一实施例中的步骤104至步骤107一致，在此不再进行赘述。
为了便于理解，请参阅图4，本发明提供的一种陶瓷产品检测装置的一个实施例，包括：
图像获取模块401，用于获取待训练陶瓷产品图像集；
色差计算模块402，用于对待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果；
色差检测模块403，用于当色差计算结果大于或等于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当色差计算结果小于第一阈值时，待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格；
分类保存模块404，用于将检测结果为合格和不合格的待训练陶瓷产品图像进行分类保存；
训练模块405，用于将分类保存的合格和不合格的待训练陶瓷产品图像输入到卷积神经网络中，对卷积神经网络进行训练；
计算模块406，用于计算陶瓷产品图像的检测准确率，当检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型；
第一检测模块407，用于将待检测陶瓷产品图像输入到训练好的卷积神经网络模型中，输出检测结果。
进一步，还包括：
检测台搭建模块408，用于搭建光源一致的检测台，通过检测台采集多个视角的陶瓷产品图像集，陶瓷产品图像集包括待训练陶瓷产品图像集和/或待检测陶瓷产品图像集。
进一步，还包括：
二值化处理模块409，用于对待训练陶瓷产品图像进行二值化处理；
特征提取模块410，用于对二值化处理后的待训练陶瓷产品图像进行特征提取，得到特征向量；
第二检测模块411，用于将特征向量输入到训练好的分类器中，输出检测结果，检测结果包括合格或不合格。
进一步，还包括：
三维模型建立模块412，用于建立待训练陶瓷产品图像中的陶瓷产品的三维模型；
尺寸比对模块413，用于将陶瓷产品的三维模型与标准三维模型进行尺寸比对，将尺寸比对结果进行量化，得到陶瓷产品的形变结果；
尺寸检测模块414，用于当形变结果大于或等于第三阈值时，检测结果为不合格，当形变结果小于第三阈值时，检测结果为合格。
本申请还提供了一种陶瓷产品检测设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述的陶瓷产品检测方法的实施例中的陶瓷产品检测方法。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种陶瓷产品检测方法，其特征在于，包括：
获取待训练陶瓷产品图像集；
对所述待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果；
当所述色差计算结果大于或等于第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当所述色差计算结果小于所述第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格；
对所述待训练陶瓷产品图像进行二值化处理；
对所述二值化处理后的所述待训练陶瓷产品图像进行特征提取，得到特征向量，具体的，对所述二值化处理后的所述待训练陶瓷产品图像采用模糊自适应的Hough变换进行倾斜角提取和自适应的Canny边缘化检测，得到特征向量；或，对所述二值化处理后的所述待训练陶瓷产品图像采用SURF算法进行特征提取，得到特征向量；
将所述特征向量输入到训练好的分类器中，输出检测结果，所述检测结果包括合格或不合格，所述分类器为SVM分类器或KNN分类器；
将所述检测结果为合格和不合格的所述待训练陶瓷产品图像进行分类保存；
将所述分类保存的合格和不合格的所述待训练陶瓷产品图像输入到卷积神经网络中，对所述卷积神经网络进行训练；
计算所述陶瓷产品图像的检测准确率，当所述检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型；
将待检测陶瓷产品图像输入到所述训练好的卷积神经网络模型中，输出检测结果。
2.根据权利要求1所述的陶瓷产品检测方法，其特征在于，所述获取待训练陶瓷产品图像，之前还包括：
搭建光源一致的检测台，通过所述检测台采集多个视角的陶瓷产品图像集，所述陶瓷产品图像集包括待训练陶瓷产品图像集和/或待检测陶瓷产品图像集。
3.根据权利要求1所述的陶瓷产品检测方法，其特征在于，所述将所述检测结果为合格和不合格的陶瓷产品图像进行分类保存，之前还包括：
建立所述待训练陶瓷产品图像中的陶瓷产品的三维模型；
将所述陶瓷产品的三维模型与标准三维模型进行尺寸比对，将尺寸比对结果进行量化，得到所述陶瓷产品的形变结果；
当所述形变结果大于或等于第三阈值时，所述检测结果为不合格，当所述形变结果小于所述第三阈值时，所述检测结果为合格。
4.一种陶瓷产品检测装置，其特征在于，包括：
图像获取模块，用于获取待训练陶瓷产品图像集；
色差计算模块，用于对所述待训练陶瓷产品图像集的待训练陶瓷产品图像进行色差计算，得到色差计算结果；
色差检测模块，用于当所述色差计算结果大于或等于第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为不合格，当所述色差计算结果小于所述第一阈值时，所述待训练陶瓷产品图像对应的陶瓷产品的检测结果为合格；
二值化处理模块，用于对所述待训练陶瓷产品图像进行二值化处理；
特征提取模块，用于对所述二值化处理后的所述待训练陶瓷产品图像进行特征提取，得到特征向量；
所述特征提取模块，具体用于对所述二值化处理后的所述待训练陶瓷产品图像采用模糊自适应的Hough变换进行倾斜角提取和自适应的Canny边缘化检测，得到特征向量；或，对所述二值化处理后的所述待训练陶瓷产品图像采用SURF算法进行特征提取，得到特征向量；
第二检测模块，用于将所述特征向量输入到训练好的分类器中，输出检测结果，所述检测结果包括合格或不合格，所述分类器为SVM分类器或KNN分类器；
分类保存模块，用于将所述检测结果为合格和不合格的所述待训练陶瓷产品图像进行分类保存；
训练模块，用于将所述分类保存的合格和不合格的所述待训练陶瓷产品图像输入到卷积神经网络中，对所述卷积神经网络进行训练；
计算模块，用于计算所述陶瓷产品图像的检测准确率，当所述检测准确率高于第二阈值时，训练完成，得到训练好的卷积神经网络模型；
第一检测模块，用于将待检测陶瓷产品图像输入到所述训练好的卷积神经网络模型中，输出检测结果。
5.根据权利要求4所述的陶瓷产品检测装置，其特征在于，还包括：
检测台搭建模块，用于搭建光源一致的检测台，通过所述检测台采集多个视角的陶瓷产品图像集，所述陶瓷产品图像集包括待训练陶瓷产品图像集和/或待检测陶瓷产品图像集。
6.根据权利要求4所述的陶瓷产品检测装置，其特征在于，还包括：
三维模型建立模块，用于建立所述待训练陶瓷产品图像中的陶瓷产品的三维模型；
尺寸比对模块，用于将所述陶瓷产品的三维模型与标准三维模型进行尺寸比对，将尺寸比对结果进行量化，得到所述陶瓷产品的形变结果；
尺寸检测模块，用于当所述形变结果大于或等于第三阈值时，所述检测结果为不合格，当所述形变结果小于所述第三阈值时，所述检测结果为合格。
7.一种陶瓷产品检测设备，其特征在于，包括：所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-3任一项所述的陶瓷产品检测方法。
CN201910740460.0A 2019-08-12 2019-08-12 一种陶瓷产品检测方法、装置和设备 Active CN110458231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910740460.0A CN110458231B (zh) 2019-08-12 2019-08-12 一种陶瓷产品检测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910740460.0A CN110458231B (zh) 2019-08-12 2019-08-12 一种陶瓷产品检测方法、装置和设备

Publications (2)

Publication Number Publication Date
CN110458231A CN110458231A (zh) 2019-11-15
CN110458231B true CN110458231B (zh) 2022-05-10

Family

ID=68485922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910740460.0A Active CN110458231B (zh) 2019-08-12 2019-08-12 一种陶瓷产品检测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN110458231B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554716A (zh) * 2021-07-28 2021-10-26 广东工业大学 基于知识蒸馏的瓷砖色差检测方法及装置
CN113344919B (zh) * 2021-08-02 2021-11-23 苏州大学 基于卷积神经网络的陶瓷热冲击损伤程度检测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919899A (zh) * 2017-12-13 2019-06-21 香港纺织及成衣研发中心有限公司 基于多光谱成像的图像的质量评估方法
CN108038853B (zh) * 2017-12-18 2020-05-26 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN208091372U (zh) * 2018-01-22 2018-11-13 广东理工学院 一种基于rgb-d相机的瓷砖检测装置

Also Published As

Publication number Publication date
CN110458231A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN111833306B (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
US10964004B2 (en) Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program, and deep learning system thereof
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
US11132786B2 (en) Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN108355981B (zh) 一种基于机器视觉的电池连接器质量检测方法
CN107486415B (zh) 基于机器视觉的篾片缺陷在线检测系统及检测方法
CN112088387B (zh) 检测成像物品缺陷的系统和方法
CN110610475B (zh) 一种深度卷积神经网络的视觉缺陷检测方法
CN111582294A (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
CN112233067A (zh) 一种热轧钢卷端面质量检测方法及系统
CN115147363A (zh) 一种基于深度学习算法的影像缺陷检测和分类方法及系统
CN110458231B (zh) 一种陶瓷产品检测方法、装置和设备
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN104952754A (zh) 基于机器视觉的镀膜后硅片分选方法
Liu et al. Application of statistical modeling of image spatial structures to automated visual inspection of product quality
Zhang et al. Fabric defect detection based on visual saliency map and SVM
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN110555384A (zh) 基于图像数据的牛肉大理石纹自动分级系统及方法
CN110866917A (zh) 一种基于机器视觉的药片类型及排列方式识别方法
CN116740449A (zh) 基于ai计算机视觉技术的刨花形态检测方法及系统

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