本發(fā)明涉及圖像處理，具體是一種基于圖像識別的墻板缺陷智能檢測系統(tǒng)和方法。

背景技術(shù)：

1、隨著人們生活水平的提高，越來越多的人開始追求高品質(zhì)生活，對于家居環(huán)境的要求也越來越高，在裝修房屋時，會購買一些高端的裝飾材料來提升房間整體的質(zhì)感，例如墻板，它具有良好的隔音效果，可以降低噪音污染，而且它的保溫性能也很好，能夠減少熱量損失，此外，墻板還有很好的防火阻燃功能，安全系數(shù)更高。然而在實(shí)際生產(chǎn)過程中，由于工藝問題或者人為因素，常常會出現(xiàn)各種各樣的瑕疵，影響了產(chǎn)品的美觀性，降低了產(chǎn)品品質(zhì)，因此需要對其進(jìn)行質(zhì)量控制。

2、目前，傳統(tǒng)的墻板缺陷檢測主要依靠人工目視檢查，但是這種檢查方式效率低、準(zhǔn)確率不高，并且容易出現(xiàn)漏檢等問題。為了改善這種情況，近年來已經(jīng)有一些研究者嘗試使用計算機(jī)視覺技術(shù)來進(jìn)行墻板缺陷檢測，這種方法的優(yōu)點(diǎn)是速度快、精度高，但是只能針對特定類型的產(chǎn)品進(jìn)行檢測，無法同時檢測多種類型的缺陷。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于圖像識別的墻板缺陷智能檢測系統(tǒng)和方法，以解決現(xiàn)有技術(shù)中存在的上述問題。

2、根據(jù)本發(fā)明的一個方面，提供了一種基于圖像識別的墻板缺陷智能檢測系統(tǒng)，包括圖像采集模塊、圖像檢測模塊和結(jié)果融合與輸出模塊，

3、所述圖像采集模塊用于獲取待檢測的墻板圖像，對所述待檢測的墻板圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲得預(yù)處理后的圖像數(shù)據(jù)，圖像預(yù)處理操作包括圖像灰度化、濾波和尺寸標(biāo)準(zhǔn)化等；

4、所述圖像檢測模塊：通過預(yù)先訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)模型和第二卷積神經(jīng)網(wǎng)絡(luò)模型檢測墻板表面破損與色差缺陷；所述圖像檢測模塊包括破損檢測單元和色差缺陷檢測單元，

5、所述破損檢測單元：通過預(yù)先訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)模型對預(yù)處理后的圖像數(shù)據(jù)進(jìn)行墻板破損檢測，得到第一檢測結(jié)果；

6、所述色差缺陷檢測單元：通過預(yù)先訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)模型對預(yù)處理后的圖像數(shù)據(jù)進(jìn)行墻板色差缺陷檢測，得到第二檢測結(jié)果；

7、所述結(jié)果融合與輸出模塊用于融合第一檢測結(jié)果以及第二檢測結(jié)果，輸出最終的檢測結(jié)果。

8、可選地，所述圖像采集模塊還用于設(shè)置相機(jī)的位置及角度，將相機(jī)放置于距待測墻體板預(yù)定高度的位置上；調(diào)整相機(jī)的角度，使相機(jī)鏡頭中心與待測墻體板水平方向呈預(yù)定夾角。

9、可選地，所述破損檢測單元包括：利用所述第一卷積神經(jīng)網(wǎng)絡(luò)模型對所述預(yù)處理后的圖像數(shù)據(jù)進(jìn)行前向傳播，獲得第一預(yù)測框和第一置信度分?jǐn)?shù)；若所述第一置信度分?jǐn)?shù)大于或等于預(yù)定閾值，則將所述第一預(yù)測框確定為第一檢測結(jié)果；

10、所述色差缺陷檢測單元包括：利用所述第二卷積神經(jīng)網(wǎng)絡(luò)模型對所述預(yù)處理后的圖像數(shù)據(jù)進(jìn)行前向傳播，獲得第二預(yù)測框和第二置信度分?jǐn)?shù)；若所述第二置信度分?jǐn)?shù)大于或等于預(yù)定閾值，則將所述第二預(yù)測框確定為第二檢測結(jié)果。

11、可選地，利用所述第一卷積神經(jīng)網(wǎng)絡(luò)模型對所述預(yù)處理后的圖像數(shù)據(jù)進(jìn)行前向傳播，還包括特征提取網(wǎng)絡(luò)、區(qū)域建議網(wǎng)絡(luò)rpn、roi池化層，

12、其中，所述特征提取網(wǎng)絡(luò)用于從預(yù)處理后的圖像數(shù)據(jù)中提取出一組特征圖；

13、所述區(qū)域建議網(wǎng)絡(luò)rpn用于根據(jù)所述特征圖預(yù)測多個區(qū)域建議框；

14、所述roi池化層用于分別對每個區(qū)域建議框進(jìn)行卷積運(yùn)算后，將區(qū)域建議框內(nèi)的信息壓縮到固定大小的特征圖。

15、可選地，利用所述第二卷積神經(jīng)網(wǎng)絡(luò)模型對所述預(yù)處理后的圖像數(shù)據(jù)進(jìn)行前向傳播，還包括亞像素灰度矩陣構(gòu)建、隸屬主像素點(diǎn)確定、灰度權(quán)重計算、亞像素點(diǎn)灰度值確定、亞像素圖像構(gòu)建，

16、其中，所述亞像素灰度矩陣構(gòu)建用于將所述預(yù)處理后的圖像數(shù)據(jù)的灰度圖像轉(zhuǎn)化成亞像素灰度矩陣，所述亞像素灰度矩陣包括主像素點(diǎn)以及亞像素點(diǎn)；

17、所述隸屬主像素點(diǎn)確定用于計算所述亞像素點(diǎn)與候選主像素點(diǎn)之間的灰度差以及距離差，根據(jù)預(yù)先設(shè)定的閾值，確定所述亞像素點(diǎn)對應(yīng)的隸屬度最高的候選主像素點(diǎn)，即為所述亞像素點(diǎn)所屬的主像素點(diǎn)；

18、所述灰度權(quán)重計算用于根據(jù)所述亞像素點(diǎn)所屬的主像素點(diǎn)的灰度值以及位置，計算所述亞像素點(diǎn)的灰度權(quán)重；

19、所述亞像素點(diǎn)灰度值確定用于根據(jù)所述亞像素點(diǎn)所屬的主像素點(diǎn)的灰度值、所述亞像素點(diǎn)的灰度權(quán)重以及所述主像素點(diǎn)的灰度值，確定所述亞像素點(diǎn)的灰度值；

20、所述亞像素圖像構(gòu)建用于根據(jù)所述亞像素點(diǎn)的灰度值構(gòu)建亞像素圖像。

21、可選地，所述隸屬主像素點(diǎn)確定具體用于計算所述亞像素點(diǎn)與候選主像素點(diǎn)之間的灰度差以及距離差，根據(jù)預(yù)先設(shè)定的閾值，確定所述亞像素點(diǎn)所屬的主像素點(diǎn)，包括：

22、若|g-g″|≤ε1且d≤ε2，則所述亞像素點(diǎn)屬于所述候選主像素點(diǎn)，其中，g表示所述亞像素點(diǎn)的灰度值，g″表示所述候選主像素點(diǎn)的灰度值，d表示所述亞像素點(diǎn)與所述候選主像素點(diǎn)的距離，ε1表示灰度差閾值，ε2表示距離差閾值。

23、可選地，所述灰度權(quán)重計算具體用于根據(jù)所述亞像素點(diǎn)所屬的主像素點(diǎn)的灰度值以及位置，計算所述亞像素點(diǎn)的灰度權(quán)重，包括：

24、若所述亞像素點(diǎn)屬于第i行j列的主像素點(diǎn)，則所述亞像素點(diǎn)的灰度權(quán)重為w＝(i-α)·(β-j)，其中，α表示所述亞像素點(diǎn)所屬的主像素點(diǎn)所在行數(shù)占總行數(shù)的比例，β表示所述亞像素點(diǎn)所屬的主像素點(diǎn)所在的列數(shù)占總列數(shù)的比例。

25、可選地，所述亞像素點(diǎn)灰度值確定具體用于根據(jù)所述亞像素點(diǎn)所屬的主像素點(diǎn)的灰度值、所述亞像素點(diǎn)的灰度權(quán)重以及所述主像素點(diǎn)的灰度值，確定所述亞像素點(diǎn)的灰度值，包括：

26、若所述亞像素點(diǎn)屬于第i行j列的主像素點(diǎn)，則所述亞像素點(diǎn)的灰度值為g＝w*gi+(1-w)*gj，其中，g表示所述亞像素點(diǎn)的灰度值，w表示所述亞像素點(diǎn)的灰度權(quán)重，gi表示第i行j列的主像素點(diǎn)的灰度值，gj表示第j列的主像素點(diǎn)的灰度值。

27、可選地，所述結(jié)果融合與輸出模塊用于融合第一檢測結(jié)果以及第二檢測結(jié)果，輸出最終的檢測結(jié)果，包括：

28、根據(jù)第一檢測結(jié)果得到墻板圖像中第一類缺陷的位置信息；根據(jù)第二檢測結(jié)果得到第二類缺陷的位置信息；所述第一類缺陷為孔洞、裂紋或者缺塊，所述第二類缺陷為色差缺陷；

29、其中，當(dāng)?shù)谝粰z測結(jié)果和第二檢測結(jié)果位置區(qū)域重合時，再分析重合區(qū)域，當(dāng)重合結(jié)果是由于色差造成的誤檢時，則標(biāo)記區(qū)域位置為破損；當(dāng)?shù)谝粰z測結(jié)果和第二檢測結(jié)果沒有位置區(qū)域重合時，則認(rèn)定兩個結(jié)果均為有效的缺陷檢測結(jié)果，分別記錄結(jié)果，即獲得最終的檢測結(jié)果。

30、根據(jù)本發(fā)明的另一個方面，提供了一種基于圖像識別的墻板缺陷智能檢測方法，包括以下步驟：

31、通過攝像頭獲取待檢測的墻板圖像；

32、對所述待檢測的墻板圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲得預(yù)處理后的圖像數(shù)據(jù)；

33、通過預(yù)先訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)模型對預(yù)處理后的圖像數(shù)據(jù)進(jìn)行墻板破損檢測，得到第一檢測結(jié)果；

34、通過預(yù)先訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)模型對預(yù)處理后的圖像數(shù)據(jù)進(jìn)行墻板色差缺陷檢測，得到第二檢測結(jié)果；

35、融合第一檢測結(jié)果以及第二檢測結(jié)果，輸出最終的檢測結(jié)果；

36、其中，利用所述第一卷積神經(jīng)網(wǎng)絡(luò)模型對所述預(yù)處理后的圖像數(shù)據(jù)進(jìn)行前向傳播，獲得第一預(yù)測框和第一置信度分?jǐn)?shù)；若所述第一置信度分?jǐn)?shù)大于或等于預(yù)定閾值，則將所述第一預(yù)測框確定為第一檢測結(jié)果；

37、利用所述第二卷積神經(jīng)網(wǎng)絡(luò)模型對所述預(yù)處理后的圖像數(shù)據(jù)進(jìn)行前向傳播，獲得第二預(yù)測框和第二置信度分?jǐn)?shù)；若所述第二置信度分?jǐn)?shù)大于或等于預(yù)定閾值，則將所述第二預(yù)測框確定為第二檢測結(jié)果；

38、所述融合第一檢測結(jié)果以及第二檢測結(jié)果，輸出最終的檢測結(jié)果，包括：

39、根據(jù)第一檢測結(jié)果得到墻板圖像中第一類缺陷的位置信息；根據(jù)第二檢測結(jié)果得到第二類缺陷的位置信息；所述第一類缺陷為孔洞、裂紋或者缺塊，所述第二類缺陷為色差缺陷；

40、其中，當(dāng)?shù)谝粰z測結(jié)果和第二檢測結(jié)果位置區(qū)域重合時，再分析重合區(qū)域，當(dāng)重合結(jié)果是由于色差造成的誤檢時，則標(biāo)記區(qū)域位置為破損；當(dāng)?shù)谝粰z測結(jié)果和第二檢測結(jié)果沒有位置區(qū)域重合時，則認(rèn)定兩個結(jié)果均為有效的缺陷檢測結(jié)果，分別記錄結(jié)果，即獲得最終的檢測結(jié)果。

41、本發(fā)明的有益效果為：

42、通過自動化圖像采集模塊高效獲取墻板圖像，并對其進(jìn)行必要的預(yù)處理，包括灰度化、濾波和尺寸標(biāo)準(zhǔn)化等步驟，預(yù)處理操作不僅確保了圖像數(shù)據(jù)的質(zhì)量，也為后續(xù)的缺陷檢測打下了堅實(shí)的基礎(chǔ)，減少人工操作，也顯著提升了檢測流程的效率，同時利用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對墻板圖像破損和色差缺陷的快速檢測；

43、本發(fā)明利用兩個專門的卷積神經(jīng)網(wǎng)絡(luò)模型，針對不同類型的缺陷進(jìn)行精確識別，破損檢測模型采用特征提取網(wǎng)絡(luò)、區(qū)域建議網(wǎng)絡(luò)rpn和roi池化層技術(shù)，優(yōu)化了破損區(qū)域的定位過程，色差缺陷模型則通過構(gòu)建亞像素灰度矩陣和灰度權(quán)重的精確計算，實(shí)現(xiàn)了對色差的亞像素級檢測，這兩種模型的融合使用，不僅提高了檢測的準(zhǔn)確性和可靠性，也減少了漏檢和誤檢的可能性；

44、通過結(jié)果融合與輸出模塊采用智能算法，對破損和色差缺陷檢測結(jié)果進(jìn)行綜合分析，對可能重合的缺陷區(qū)域進(jìn)行再分析，排除誤檢，確保了檢測結(jié)果的全面性和準(zhǔn)確性，不僅能檢測單一類型的缺陷，還能同時識別包括孔洞、裂紋、缺塊以及色差在內(nèi)的多種缺陷，大大擴(kuò)展了檢測的應(yīng)用范圍，確保了墻板產(chǎn)品質(zhì)量的高標(biāo)準(zhǔn)，通過這種綜合方法實(shí)現(xiàn)了墻板缺陷檢測的自動化、精確化和智能化，有效提升了檢測效率和準(zhǔn)確性，同時降低了人力成本。