一种曲面印刷检测方法、系统及存储介质与流程

本申请涉及缺陷检测，具体是一种曲面印刷检测方法、系统及存储介质。

背景技术：

1、传统的曲面印刷检测方法是通过构建一个模板，后续的检测产品通过与模板对比，具体而言就是使用减法，以此获取当前检测品与模板存在差异的地方，再分析这些差异点是否为印刷的缺陷。应为印刷存在一定的工差，所以当前检测品与模板在印刷的边缘区域难免存在因印刷工差而呈现的差异，这些差异称之为套色印刷偏离，而且这些与某些缺陷，例如颜色很淡的多印缺陷、细微的灰尘等，在灰度值上非常相近，因此在使用二值化过滤的过程中，会随着工差的过滤，一起被过滤掉，从而导致检测精度下降。

2、另外，现有使用深度学习检测曲面印刷的方法，以yolo最具代表性，需要大量的缺陷样本来训练算法模型，而工业生产过程中，大多数样品都为良品，只有少量是带有缺陷的不良品，并且这些缺陷的种类无法被事先统计和收集，所以深度学习方法由于数据缺乏，难以应用。

技术实现思路

1、本申请的目的在于提供一种曲面印刷检测方法、系统及存储介质，以解决上述背景技术中提出的技术问题。

2、为实现上述目的，本申请公开了以下技术方案：

3、在第一方面，本申请提供了一种曲面印刷检测方法，包括训练阶段和检测阶段；

4、所述训练阶段包括：

5、s1-训练取图：对训练产品进行图像采集获取彩色图片，采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板；

6、s2-定位模板匹配、多模板分开裁剪：对采集到的训练产品对应的彩色图片中的定位模板进行匹配识别，根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块；

7、s3-生成图片，构建训练集：经过裁剪的图片，根据检测块在采集到的训练产品对应的彩色图片中的截取位置，进行旋转、平移、要素重组的操作，生成扩展的彩色图片，并以此构建训练集；

8、s4-生成训练用高维加权图片：训练集的图片通过预训练的神经网络，对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片；

9、s5-构建缺陷检测模型：在获取的训练用高维加权图片的基础上，以最小的检测单位，使用深度学习或机器学习算法构建缺陷检测模型；

10、所述检测阶段包括：

11、t1-检测取图：对待检产品进行图像采集获取彩色图片，采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板；

12、t2-定位模板匹配、多模板分开裁剪：对采集到的待检产品对应的彩色图片中的定位模板进行匹配识别，根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块；

13、t3-生成检测用高维加权图片：训练集的图片通过预训练的神经网络，对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片；

14、t4-缺陷检测：利用构建的所述缺陷检测模型，对获取到的所述检测用高维加权图片进行计算，得出缺陷位于待件产品上的所在位置。

15、在一种实施方式中，所述的对训练产品进行图像采集获取彩色图片，具体包括：

16、采用线扫相机或面阵相机对训练产品进行图像采集，并获取彩色图片，所述训练产品为具有一个或多个缺陷的产品。

17、3.根据权利要求1所述的曲面印刷检测方法，其特征在于，所述的对待检产品进行图像采集获取彩色图片，具体包括：

18、采用线扫相机或面阵相机对待检产品进行图像采集，并获取彩色图片。

19、在一种实施方式中，所述的对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片，具体包括：

20、将原图从只有r、g、b三个通道的彩色图片，通过tensor表示为(n,3,416,416)的大小，并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片。

21、在一种实施方式中，所述的对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片，具体包括：

22、将原图从只有r、g、b三个通道的彩色图片，通过tensor表示为(n,3,416,416)的大小，并通过所述神经网络升维到(n,k,416,416)得到检测用高维加权图片。

23、第二方面，本申请公开了一种曲面印刷检测系统，包括：图像采集模块、图片剪裁模块、训练集构建模块、高维加权图片生成模块、模型构建模块和缺陷检测模块；

24、所述图像采集模块配置为：对训练产品和待件产品进行图像采集并获取彩色图片，采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板；

25、所述图片剪裁模块配置为：对采集到的彩色图片中的定位模板进行匹配识别，根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块；

26、所述训练集构建模块配置为：经过裁剪的图片，根据检测块在采集到的训练产品对应的彩色图片中的截取位置，进行旋转、平移、要素重组的操作，生成扩展的彩色图片，并以此构建训练集；

27、所述高维加权图片生成模块配置为：训练集的图片通过预训练的神经网络，对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片；

28、所述模型构建模块配置为：在获取的训练用高维加权图片的基础上，以最小的检测单位，使用深度学习或机器学习算法构建缺陷检测模型；

29、所述缺陷检测模块配置为：利用构建的所述缺陷检测模型，对获取到的所述检测用高维加权图片进行计算，得出缺陷位于待件产品上的所在位置。

30、在一种实施方式中，所述的对训练产品和待件产品进行图像采集并获取彩色图片，具体包括：

31、采用线扫相机或面阵相机对训练产品进行图像采集，并获取彩色图片，所述训练产品为具有一个或多个缺陷的产品；以及，

32、采用线扫相机或面阵相机对待检产品进行图像采集，并获取彩色图片。

33、在一种实施方式中，所述的对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片，具体包括：

34、将原图从只有r、g、b三个通道的彩色图片，通过tensor表示为(n,3,416,416)的大小，并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片和检测用高维加权图片。

35、在第三方面，本申请公开了一种计算机可读存储介质，该种计算机可读存储介质中存储有计算机程序，当该计算机程序被处理器执行时，实现上述的曲面印刷检测方法。

36、有益效果：本申请的曲面印刷检测方法、系统及存储介质，有效解决了套色印刷偏离的问题，在对图片本身的内容含有非常高的鲁棒性的同时，对细微的灰尘、颜色偏浅的多印等传统算法难以检测的缺陷保持敏感，从而上进行有效地检测；并且，只需要少量的正样本，就可以构建一个初始的检测模型，很好的解决了深度学习模型无法在只学习少量样本的情况下无法构建能够使用的检测模型的问题。

技术特征：

1.一种曲面印刷检测方法，其特征在于，包括训练阶段和检测阶段；

2.根据权利要求1所述的曲面印刷检测方法，其特征在于，所述的对训练产品进行图像采集获取彩色图片，具体包括：

3.根据权利要求1所述的曲面印刷检测方法，其特征在于，所述的对待检产品进行图像采集获取彩色图片，具体包括：

4.根据权利要求1所述的曲面印刷检测方法，其特征在于，所述的对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片，具体包括：

5.根据权利要求1所述的曲面印刷检测方法，其特征在于，所述的对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片，具体包括：

6.一种曲面印刷检测系统，其特征在于，包括：图像采集模块、图片剪裁模块、训练集构建模块、高维加权图片生成模块、模型构建模块和缺陷检测模块；

7.根据权利要求6所述的曲面印刷检测系统，其特征在于，所述的对训练产品和待件产品进行图像采集并获取彩色图片，具体包括：

8.根据权利要求6所述的曲面印刷检测系统，其特征在于，所述的对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片，具体包括：

9.一种计算机可读存储介质，其特征在于，该种计算机可读存储介质中存储有计算机程序，当该计算机程序被处理器执行时，实现如权利要求1-5任意一项所述的曲面印刷检测方法。

技术总结
本申请公开了一种曲面印刷检测方法、系统及存储介质，涉及缺陷检测技术领域。该方法使用了深度学习模型，在整体的运行上分为训练阶段和检测阶段，而这两个阶段都需要进行定位模板匹配、多模板图像分割等预处理操作，变成尺寸为(n,3,416,416)的tensor，其中n为图片分割为n个416x416小图片块的数量，以便算法能够进行计算。该系统适用于上述的方法，同时，该存储介质中存储有计算机程序，该计算机程序被执行时，实现上述的方法。本申请有效解决了套色印刷偏离的问题，在对图片本身的内容含有非常高的鲁棒性的同时，对一些传统算法难以检测的缺陷保持敏感，并且，很好的解决了深度学习模型无法在只学习少量样本的情况下无法构建能够使用的检测模型的问题。

技术研发人员：黎志鹏,林龙心,王清扬,蔡嘉安
受保护的技术使用者：广州伊索自动化科技有限公司
技术研发日：
技术公布日：2024/1/16