一种外观缺陷测试中测试参数生成方法
【技术领域】
[0001]本发明涉及外观缺陷测试技术领域，特别是涉及一种外观缺陷测试中测试参数生成方法。
【背景技术】
[0002]目前，对于汽车零部件外观测试、齿轮缺陷测试、布匹缺陷测试和陶瓷缺陷等这些产品的测试，外观缺陷测试中，采用人工测试的方法对外观进行检测，得到当前需要测试的产品的外观参数，将外观参数与测试参数进行比对。
[0003]测试参数是标准样件的合格值参数，测试参数由人工依据自己的经验设定，然而人工设定的合格值参数的准确性较低，即外观缺陷测试中测试参数的准确性较低，导致缺陷测试的准确度降低。
【发明内容】
[0004]本发明的目的是提供一种外观缺陷测试中测试参数生成方法，以实现提高测试参数的准确性，提高缺陷测试的准确度。
[0005]为解决上述技术问题，本发明提供一种外观缺陷测试中测试参数生成方法，该方法包括:
[0006]获取标准样件的外观图像；
[0007]采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。
[0008]优选的，所述采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数，包括:
[0009]对标准样件的外观图像中需要测试的区域的颜色分布进行分析，获取颜色分布结果;所述颜色分布结果包括颜色平均值、颜色最小值及颜色最大值；
[0010]对标准样件的外观图像中需要测试的区域的亮度分布进行分析，获取亮度分布结果，并自动生成阀值参数，生成标准模板；
[0011]利用所述颜色分布结果和亮度分布结果通过深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。
[0012]优选的，所述标准样件包括汽车零部件、齿轮、布匹、陶瓷或者纸张。
[0013]优选的，所述生成标准样件的合格值参数之后，还包括:生成合格值参数的公差。
[0014]优选的，所述标准样件的合格值参数包括颜色参数、亮度参数和标准模板参数。
[0015]优选的，所述获取标准样件的外观图像包括:
[0016]调用工业相机，通过串口发送灯光控制命令，对标准样件进行打光，获取标准样件的外观图像。本发明所提供的一种外观缺陷测试中测试参数生成方法，获取标准样件的外观图像;采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。可见，该方法利用标准样件的外观图形，采用深度学习的方式获取标准样件的合格参数，能够精确地获取标准样件的合格参数即测试参数，避免人工设定测试参数导致测试参数不准确的问题，提升测试参数的准确性，进而提高缺陷测试的准确度。
【附图说明】
[0017]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的前提下，还可以根据提供的附图获得其他的附图。
[0018]图1为本发明所提供的一种外观缺陷测试中测试参数生成方法的流程图。
【具体实施方式】
[0019]本发明的核心是提供一种外观缺陷测试中测试参数生成方法，以实现节省人力成本，提高测试效率。
[0020]为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
[0021]请参考图1，图1为本发明所提供的一种外观缺陷测试中测试参数生成方法的流程图，该方法包括:
[0022]SI 1:获取标准样件的外观图像；
[0023]其中，标准样件包括汽车零部件、齿轮、布匹、陶瓷或者纸张。
[0024]其中，获取标准样件的外观图像的具体过程为:调用工业相机，通过串口发送灯光控制命令，对标准样件进行打光，获取标准样件的外观图像。
[0025]S12:采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。
[0026]其中，标准样件的合格者参数为测试参数。
[0027]其中，生成标准样件的合格值参数之后，生成合格值参数的公差。
[0028]本发明所提供的一种外观缺陷测试中测试参数生成方法，获取标准样件的外观图像;采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。可见，该方法利用标准样件的外观图形，采用深度学习的方式获取标准样件的合格值参数，能够精确地获取标准样件的合格参数即测试参数，避免人工设定测试参数导致测试参数不准确的问题，提升测试参数的准确性，进而提高缺陷测试的准确度。
[0029]可选的，步骤S12具体包括如下步骤:
[0030]S1:对标准样件的外观图像中需要测试的区域的颜色分布进行分析，获取颜色分布结果;所述颜色分布结果包括颜色平均值、颜色最小值及颜色最大值；
[0031]S2:对标准样件的外观图像中需要测试的区域的亮度分布进行分析，获取亮度分布结果，并自动生成阀值参数，生成标准模板；
[0032]S3:利用颜色分布结果和亮度分布结果通过深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。
[0033]其中，标准样件的合格值参数包括颜色参数、亮度参数和标准模板参数。
[0034]标准样件的合格值参数为标准样件的外观图像在自动学习过程中生成的学习参数。
[0035]具体的，自动用户在学习界面添加测试项并选中测试区域后，测试软件自动分析学习的标准样件的学习区域颜色的分布情况，自动的设定颜色或者亮度阀值，并自动的生成标准的合格值参数以及公差。优势是不需要人工设定测试参数，普通人员也能操作该软件。
[0036]基于上述优选，本发明所提供的另一种外观缺陷测试中测试参数生成方法，获取标准样件的外观图像;对标准样件的外观图像中需要测试的区域的颜色分布进行分析，获取颜色分布结果；；对标准样件的外观图像中需要测试的区域的亮度分布进行分析，获取亮度分布结果，并自动生成阀值参数，生成标准模板;利用颜色分布结果和亮度分布结果通过深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。
[0037]可见，该方法利用标准样件的外观图形，获取外观图像的颜色分布结果和亮度分布结果，采用深度学习的方式获取标准样件的合格值参数，合格值参数包括颜色参数、亮度参数和标准模板参数，这样能够精确地获取标准样件的合格参数即测试参数，避免人工设定测试参数导致测试参数不准确的问题，提升测试参数的准确性，进而提高缺陷测试的准确度。
[0038]以上对本发明所提供的一种外观缺陷测试中测试参数生成方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
【主权项】
1.一种外观缺陷测试中测试参数生成方法，其特征在于，包括: 获取标准样件的外观图像； 采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。2.如权利要求1所述的方法，其特征在于，所述采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数，包括: 对标准样件的外观图像中需要测试的区域的颜色分布进行分析，获取颜色分布结果；所述颜色分布结果包括颜色平均值、颜色最小值及颜色最大值； 对标准样件的外观图像中需要测试的区域的亮度分布进行分析，获取亮度分布结果，并自动生成阀值参数，生成标准模板； 利用所述颜色分布结果和亮度分布结果通过深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。3.如权利要求1所述的方法，其特征在于，所述标准样件包括汽车零部件、齿轮、布匹、陶瓷或者纸张。4.如权利要求1所述的方法，其特征在于，所述生成标准样件的合格值参数之后，还包括:生成合格值参数的公差。5.如权利要求2所述的方法，其特征在于，所述标准样件的合格值参数包括颜色参数、亮度参数和标准模板参数。6.如权利要求1至5中任意一项所述的方法，其特征在于，所述获取标准样件的外观图像包括: 调用工业相机，通过串口发送灯光控制命令，对标准样件进行打光，获取标准样件的外观图像。
【专利摘要】本发明公开了一种外观缺陷测试中测试参数生成方法，该方法包括：获取标准样件的外观图像；采用深度学习算法对标准样件的外观图像进行自动学习，生成标准样件的合格值参数。该方法实现节省人力成本，提高测试效率。
【IPC分类】G01N21/88
【公开号】CN105572136
【申请号】CN201510931909
【发明人】姜国清, 王成刚, 卢晖
【申请人】重庆瑞阳科技股份有限公司
【公开日】2016年5月11日
【申请日】2015年12月15日