基于3D视觉识别的板材缺陷检测方法及系统与流程

本公开涉及图像数据处理领域，并且更具体地，涉及一种基于3d视觉识别的板材缺陷检测方法及系统。

背景技术：

1、作为装修领域重要的材料之一，板材在装修过程中扮演着非常重要的角色。然而，由于板材生产、运输、安装等各个环节都有可能产生缺陷，这些缺陷会严重影响到装修质量和工程安全。因此，对板材缺陷的识别是装修领域的一项重要任务。现如今，随着人工智能和图像处理技术不断发展，利用计算机视觉技术进行自动化的板材缺陷识别已成为一种新的趋势。如何保障板材缺陷检测的准确性是本领域的热门话题。

技术实现思路

1、有鉴于此，本技术实施例至少提供一种基于3d视觉识别的板材缺陷检测方法及系统。

2、根据本公开实施例的一个方面，提供了一种基于3d视觉识别的板材缺陷检测方法，应用于计算机设备，所述计算机设备与至少一个图像采集设备通信连接，所述至少一个图像采集设备用于获取目标板材的立体图像，所述方法包括：

3、响应于缺陷检测指令，获取所述至少一个图像采集设备发送的目标板材表面图像，所述目标板材表面图像为所述目标板材的立体展开图像；

4、对所述目标板材表面图像进行图像分块裁剪，得到至少两个目标板材分块图像；

5、基于训练好的特征降维映射模型，对每一目标板材分块图像进行图像特征抽取，得到分块图像降维映射特征；其中，所述特征降维映射模型包括浅层特征抽取模块和深层特征抽取模块；所述浅层特征抽取模块用于对所述目标板材分块图像进行浅层图像特征抽取；所述深层特征抽取模块用于基于所述浅层图像特征抽取时得到的浅层图像特征，对所述目标板材分块图像进行深层图像特征抽取，所述深层图像特征抽取的抽取准确度大于所述浅层图像特征抽取的抽取准确度；

6、获取预设参考分块图像库中的每一参考分块图像的降维映射特征；

7、通过所述分块图像降维映射特征和所述每一参考分块图像的降维映射特征，对每一所述目标板材分块图像进行缺陷检测，得到分块缺陷检测结果；

8、通过所述至少两个目标板材分块图像的分块缺陷检测结果，确定所述目标板材表面图像对应的缺陷检测结果。

9、根据本公开实施例的一个示例，其中，所述对所述目标板材表面图像进行图像分块裁剪，得到至少两个目标板材分块图像，包括：

10、通过包含预设裁剪步幅的裁剪框，对所述目标板材表面图像进行分块裁剪，得到至少两个目标板材分块图像，所述至少两个目标板材分块图像包含一致的图像尺寸。

11、根据本公开实施例的一个示例，其中，所述方法还包括：

12、获取事先部署的加权滤波函数；

13、通过所述事先部署的加权滤波函数对每一所述目标板材分块图像进行图像滤波，获得至少两个图像滤波后的目标板材分块图像；

14、所述对每一目标板材分块图像进行图像特征抽取，得到分块图像降维映射特征，包括：

15、对每一图像滤波后的目标板材分块图像进行图像特征抽取，得到所述分块图像降维映射特征。

16、根据本公开实施例的一个示例，其中，所述基于训练好的特征降维映射模型，对每一目标板材分块图像进行图像特征抽取，得到分块图像降维映射特征，包括：

17、将每一所述目标板材分块图像加载到所述浅层特征抽取模块中，基于所述浅层特征抽取模块，对所述目标板材分块图像进行浅层特征降维映射，得到包含第一抽取准确度的降维映射特征；

18、将所述包含第一抽取准确度的降维映射特征，加载到所述深层特征抽取模块中，基于所述深层特征抽取模块，对所述目标板材分块图像进行深层特征降维映射，得到包含第二抽取准确度的降维映射特征；所述第一抽取准确度小于所述第二抽取准确度。

19、根据本公开实施例的一个示例，其中，所述通过所述分块图像降维映射特征和所述每一参考分块图像的降维映射特征，对每一所述目标板材分块图像进行缺陷检测，得到分块缺陷检测结果，包括：

20、确定所述分块图像降维映射特征与所述每一参考分块图像的降维映射特征之间的相似评估系数；

21、如果所述分块图像降维映射特征与任一参考分块图像的降维映射特征之间的相似评估系数大于相似评估系数阈值，确定所述目标板材分块图像的分块缺陷检测结果为同类检测结果；所述同类检测结果代表所述目标板材分块图像中包括与所述预设参考分块图像库中的参考分块图像包含相同图像分类的图像区域。

22、根据本公开实施例的一个示例，其中，所述通过所述至少两个目标板材分块图像的分块缺陷检测结果，确定所述目标板材表面图像对应的缺陷检测结果，包括：

23、如果任一目标板材分块图像的分块缺陷检测结果为所述同类检测结果，确定所述目标板材表面图像对应的缺陷检测结果为所述同类检测结果。

24、根据本公开实施例的一个示例，其中，所述方法还包括：

25、将无标签板材图像集合中的第一板材图像加载到所述浅层特征抽取模块中，基于相似性学习对所述浅层特征抽取模块进行训练，得到训练后的浅层特征抽取模块；

26、将分块板材图像集合中的第二板材图像加载到所述训练后的浅层特征抽取模块中，基于所述训练后的浅层特征抽取模块对所述第二板材图像进行浅层特征降维映射，得到包含第三抽取准确度的训练图像降维映射特征；

27、将所述包含第三抽取准确度的训练图像降维映射特征加载到所述深层特征抽取模块中，基于所述深层特征抽取模块对所述第二板材图像进行深层特征降维映射，得到包含第四抽取准确度的训练图像降维映射特征；其中，所述第三抽取准确度小于所述第四抽取准确度；

28、基于预设缺陷检测分类模块，依据所述包含第四抽取准确度的训练图像降维映射特征，对所述第二板材图像进行缺陷检测，得到训练图像缺陷检测结果；

29、将所述训练图像缺陷检测结果与所述第二板材图像的缺陷分类标记信息加载到预设误差确定网络层中，基于所述预设误差确定网络层输出模型检测误差；

30、基于所述模型检测误差对所述深层特征抽取模块中的模块参变量进行优化，得到训练后的特征降维映射模型。

31、根据本公开实施例的一个示例，其中，所述浅层特征抽取模块包括特征编码层和自相关语义提取层；所述将无标签板材图像集合中的第一板材图像加载到所述浅层特征抽取模块中，基于相似性学习对所述浅层特征抽取模块进行训练，得到训练后的浅层特征抽取模块，包括：

32、将无标签板材图像集合中的第一板材图像加载到所述浅层特征抽取模块中；

33、基于所述特征编码层对所述第一板材图像进行第一平滑操作，得到浅层图像特征；

34、基于所述自相关语义提取层对所述浅层图像特征进行第二平滑操作，得到包含设定维数的降维映射特征；

35、将所述包含设定维数的降维映射特征加载到第一误差确定网络层中，基于所述第一误差确定网络层中的第一误差函数，计算所述包含设定维数的降维映射特征对应的第一模型检测误差；

36、基于所述第一模型检测误差对所述特征编码层和所述自相关语义提取层中的参变量进行优化，得到所述训练后的浅层特征抽取模块；

37、所述深层特征抽取模块包括缺陷分布信息挖掘网络和显著性权重分配网络；

38、所述将所述包含第三抽取准确度的训练图像降维映射特征加载到所述深层特征抽取模块中，基于所述深层特征抽取模块对所述第二板材图像进行深层特征降维映射，得到包含第四抽取准确度的训练图像降维映射特征，包括：

39、将所述包含第三抽取准确度的训练图像降维映射特征，加载到所述深层特征抽取模块中；

40、基于所述缺陷分布信息挖掘网络，挖掘所述训练图像降维映射特征在不同通道下的显著缺陷分布信息；

41、基于所述显著性权重分配网络对所述不同通道下的显著缺陷分布信息，在预设空间顺序上逐一进行加和及加权操作，得到所述包含第四抽取准确度的训练图像降维映射特征。

42、根据本公开实施例的一个示例，其中，所述深层特征抽取模块包括误差计算网络，所述误差计算网络包括第二误差函数；所述方法还包括：

43、将所述包含第四抽取准确度的训练图像降维映射特征和所述第二板材图像的缺陷类型标注，加载到所述误差计算网络；

44、基于所述误差计算网络的第二误差函数，计算所述包含第四抽取准确度的训练图像降维映射特征对应的第二模型检测误差；

45、基于所述第二模型检测误差对所述缺陷分布信息挖掘网络和所述显著性权重分配网络中的参变量进行优化，得到训练后的深层特征抽取模块。

46、根据本公开实施例的另一方面，提供了一种板材缺陷检测系统，包括计算机设备和与所述计算机设备通信连接的至少一个图像采集设备，所述至少一个图像采集设备用于获取目标板材的立体图像，所述计算机设备包括：一个或多个处理器；以及一个或多个存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述一个或多个处理器运行时，使得所述一个或多个处理器执行以上所述的方法。

47、本技术的有益效果：本技术提供的基于3d视觉识别的板材缺陷检测方法及系统，基于训练好的特征降维映射模型，对图像分块裁剪后得到的每一目标板材分块图像进行图像特征抽取，得到分块图像降维映射特征；并通过分块图像降维映射特征和预设参考分块图像库中的每一参考分块图像的降维映射特征，对每一目标板材分块图像进行缺陷检测，得到分块缺陷检测结果；从而通过至少两个目标板材分块图像的分块缺陷检测结果，确定目标板材表面图像对应的缺陷检测结果。那么，基于包含浅层特征抽取模块和深层特征抽取模块构成的特征降维映射模型对每一目标板材分块图像进行图像特征抽取，以此高精度地抽取出目标板材分块图像的分块图像降维映射特征，进而基于分块图像降维映射特征能够对目标板材表面图像进行准确的缺陷检测，帮助板材的良率控制。

48、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本技术的技术方案。