一种AI智能表面划伤缺陷检测方法和系统与流程

本发明涉及智能检测，具体涉及一种ai智能表面划伤缺陷检测方法和系统。

背景技术：

1、在工业自动化和质量控制领域，工业标准制造件总是会出现裂痕、划痕和变色等表面缺陷问题，表面划伤缺陷检测是一个至关重要的环节。目前使用的缺陷检测手段有人工检测、视觉检测等，人工检测容易造成工人疲劳，且检测效率和准确性并不稳定；基于视觉的缺陷检测通常根据具体应用场景设定相应的模型和参数，模型泛化能力不足，对不同工况的适应性较差。

2、ai智能工业缺陷检测是基于机器视觉的表面缺陷检测系统，可安装在具有规则形状的金属、玻璃等表面光滑产品生产流水线上，对生产线上的每个产品的表面缺陷及外形尺寸等进行缺陷检测。当ai智能工业缺陷检测到有缺陷的工件时，可根据实际需求发出相应的控制信号，直接将废品剔除。人工智能已成为当下热门的研究领域，在工业领域常被应用于产品表面缺陷检测，但采用深度学习实现缺陷检测的相关研究目前尚少，同时也面临传统的深度学习模型需要成千上万的数据样本，导致其在工业领域难以落地应用。

技术实现思路

1、针对上述技术问题，本发明提供了一种ai智能表面划伤缺陷检测方法和系统，实现了对产品表面划伤缺陷的高效、准确检测。

2、本发明的第一实施例提供一种ai智能表面划伤缺陷检测方法，所述方法包括：采集包括待检测产品各种表面划伤缺陷的产品图像作为训练数据；对采集到的产品图像进行预处理；从预处理后的产品图像中提取出能够表征表面划伤缺陷的特征；使用机器学习算法对提取的特征进行训练，构建出能够识别表面划伤缺陷的检测模型，并对检测模型进行训练；将待检测的产品图像输入到训练好的检测模型中，通过检测模型预测是否存在表面划伤缺陷以及缺陷的位置和程度。

3、可选地，所述检测模型包括yolov3模型或者yolov5模型。

4、可选地，所述检测模型包括yolov7模型。

5、可选地，所述预处理至少包括去噪、增强对比度和裁剪。

6、可选地，所述特征至少包括颜色、纹理和形状。

7、本发明的第二实施例还提供一种ai智能表面划伤缺陷检测系统，所述系统包括：数据采集单元，采集包括待检测产品各种表面划伤缺陷的产品图像作为训练数据；数据预处理单元，对采集到的产品图像进行预处理；特征提取单元，从预处理后的产品图像中提取出能够表征表面划伤缺陷的特征；模型训练单元，使用机器学习算法对提取的特征进行训练，构建出能够识别表面划伤缺陷的模型，并对模型进行训练；缺陷检测单元，将待检测的产品图像输入到训练好的模型中，通过模型预测出是否存在表面划伤缺陷以及缺陷的位置和程度。

8、可选地，所述系统还包括：结构输出单元，将缺陷检测单元检测的结果以图像或数据的形式输出。

9、可选地，所述模型为卷积神经网络模型。

10、可选地，所述预处理至少包括去噪、增强对比度和裁剪。

11、可选地，所述检测模型包括yolov3模型、yolov5模型或者yolov7模型。

12、本发明实施例提供的技术方案中，首先采集包含待检测产品表面的产品图像；然后对产品图像进行预处理；再获取缺陷鉴定参数数据，构建出能够识别表面划伤缺陷的模型，并对模型进行训练，最后依据缺陷检测单元预测出是否存在表面划伤缺陷以及缺陷的位置和程度。本发明基于深度学习神经网络的算法，避免了传统检测的弊端，适应性高，实现更精确检测数据性能，其判断标准可依据实际需求进行调节，利于提高缺陷检测时缺陷识别、缺陷标记的精确度和鲁棒性。

技术特征：

1.一种ai智能表面划伤缺陷检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的ai智能表面划伤缺陷检测方法，其特征在于，所述检测模型包括yolov3模型或者yolov5模型。

3.根据权利要求1所述的ai智能表面划伤缺陷检测方法，其特征在于，所述检测模型包括yolov7模型。

4.根据权利要求1所述的ai智能表面划伤缺陷检测方法，其特征在于，所述预处理至少包括去噪、增强对比度和裁剪。

5.根据权利要求1所述的ai智能表面划伤缺陷检测方法，其特征在于，所述特征至少包括颜色、纹理和形状。

6.一种ai智能表面划伤缺陷检测系统，其特征在于，所述系统包括：

7.根据权利要求6所述的ai智能表面划伤缺陷检测系统，其特征在于，所述系统还包括：

8.根据权利要求6所述的ai智能表面划伤缺陷检测系统，其特征在于，所述模型为卷积神经网络模型。

9.根据权利要求6所述的ai智能表面划伤缺陷检测系统，其特征在于，所述预处理至少包括去噪、增强对比度和裁剪。

10.根据权利要求6所述的ai智能表面划伤缺陷检测系统，其特征在于，所述检测模型包括yolov3模型、yolov5模型或者yolov7模型。

技术总结本申请公开一种AI智能表面划伤缺陷检测方法和系统，所述方法包括：采集包括待检测产品各种表面划伤缺陷的产品图像作为训练数据；对采集到的产品图像进行预处理；从预处理后的产品图像中提取出能够表征表面划伤缺陷的特征；使用机器学习算法对提取的特征进行训练，构建出能够识别表面划伤缺陷的检测模型，并对检测模型进行训练；将待检测的产品图像输入到训练好的检测模型中，通过检测模型预测是否存在表面划伤缺陷以及缺陷的位置和程度。本申请基于深度学习神经网络的算法，避免了传统检测的弊端，适应性高，实现更精确检测数据性能，其判断标准可依据实际需求进行调节，利于提高缺陷检测时缺陷识别、缺陷标记的精确度和鲁棒性。技术研发人员：肖金辉,顾东杰,顾小龙,王朋飞受保护的技术使用者：万创（苏州）视觉科技有限公司技术研发日：技术公布日：2024/11/18