一种基于图像识别的墙板缺陷智能检测系统和方法与流程

本发明涉及图像处理，具体是一种基于图像识别的墙板缺陷智能检测系统和方法。

背景技术：

1、随着人们生活水平的提高，越来越多的人开始追求高品质生活，对于家居环境的要求也越来越高，在装修房屋时，会购买一些高端的装饰材料来提升房间整体的质感，例如墙板，它具有良好的隔音效果，可以降低噪音污染，而且它的保温性能也很好，能够减少热量损失，此外，墙板还有很好的防火阻燃功能，安全系数更高。然而在实际生产过程中，由于工艺问题或者人为因素，常常会出现各种各样的瑕疵，影响了产品的美观性，降低了产品品质，因此需要对其进行质量控制。

2、目前，传统的墙板缺陷检测主要依靠人工目视检查，但是这种检查方式效率低、准确率不高，并且容易出现漏检等问题。为了改善这种情况，近年来已经有一些研究者尝试使用计算机视觉技术来进行墙板缺陷检测，这种方法的优点是速度快、精度高，但是只能针对特定类型的产品进行检测，无法同时检测多种类型的缺陷。

技术实现思路

1、本发明提供了一种基于图像识别的墙板缺陷智能检测系统和方法，以解决现有技术中存在的上述问题。

2、根据本发明的一个方面，提供了一种基于图像识别的墙板缺陷智能检测系统，包括图像采集模块、图像检测模块和结果融合与输出模块，

3、所述图像采集模块用于获取待检测的墙板图像，对所述待检测的墙板图像数据进行预处理，获得预处理后的图像数据，图像预处理操作包括图像灰度化、滤波和尺寸标准化等；

4、所述图像检测模块：通过预先训练好的第一卷积神经网络模型和第二卷积神经网络模型检测墙板表面破损与色差缺陷；所述图像检测模块包括破损检测单元和色差缺陷检测单元，

5、所述破损检测单元：通过预先训练好的第一卷积神经网络模型对预处理后的图像数据进行墙板破损检测，得到第一检测结果；

6、所述色差缺陷检测单元：通过预先训练好的第二卷积神经网络模型对预处理后的图像数据进行墙板色差缺陷检测，得到第二检测结果；

7、所述结果融合与输出模块用于融合第一检测结果以及第二检测结果，输出最终的检测结果。

8、可选地，所述图像采集模块还用于设置相机的位置及角度，将相机放置于距待测墙体板预定高度的位置上；调整相机的角度，使相机镜头中心与待测墙体板水平方向呈预定夹角。

9、可选地，所述破损检测单元包括：利用所述第一卷积神经网络模型对所述预处理后的图像数据进行前向传播，获得第一预测框和第一置信度分数；若所述第一置信度分数大于或等于预定阈值，则将所述第一预测框确定为第一检测结果；

10、所述色差缺陷检测单元包括：利用所述第二卷积神经网络模型对所述预处理后的图像数据进行前向传播，获得第二预测框和第二置信度分数；若所述第二置信度分数大于或等于预定阈值，则将所述第二预测框确定为第二检测结果。

11、可选地，利用所述第一卷积神经网络模型对所述预处理后的图像数据进行前向传播，还包括特征提取网络、区域建议网络rpn、roi池化层，

12、其中，所述特征提取网络用于从预处理后的图像数据中提取出一组特征图；

13、所述区域建议网络rpn用于根据所述特征图预测多个区域建议框；

14、所述roi池化层用于分别对每个区域建议框进行卷积运算后，将区域建议框内的信息压缩到固定大小的特征图。

15、可选地，利用所述第二卷积神经网络模型对所述预处理后的图像数据进行前向传播，还包括亚像素灰度矩阵构建、隶属主像素点确定、灰度权重计算、亚像素点灰度值确定、亚像素图像构建，

16、其中，所述亚像素灰度矩阵构建用于将所述预处理后的图像数据的灰度图像转化成亚像素灰度矩阵，所述亚像素灰度矩阵包括主像素点以及亚像素点；

17、所述隶属主像素点确定用于计算所述亚像素点与候选主像素点之间的灰度差以及距离差，根据预先设定的阈值，确定所述亚像素点对应的隶属度最高的候选主像素点，即为所述亚像素点所属的主像素点；

18、所述灰度权重计算用于根据所述亚像素点所属的主像素点的灰度值以及位置，计算所述亚像素点的灰度权重；

19、所述亚像素点灰度值确定用于根据所述亚像素点所属的主像素点的灰度值、所述亚像素点的灰度权重以及所述主像素点的灰度值，确定所述亚像素点的灰度值；

20、所述亚像素图像构建用于根据所述亚像素点的灰度值构建亚像素图像。

21、可选地，所述隶属主像素点确定具体用于计算所述亚像素点与候选主像素点之间的灰度差以及距离差，根据预先设定的阈值，确定所述亚像素点所属的主像素点，包括：

22、若|g-g″|≤ε1且d≤ε2，则所述亚像素点属于所述候选主像素点，其中，g表示所述亚像素点的灰度值，g″表示所述候选主像素点的灰度值，d表示所述亚像素点与所述候选主像素点的距离，ε1表示灰度差阈值，ε2表示距离差阈值。

23、可选地，所述灰度权重计算具体用于根据所述亚像素点所属的主像素点的灰度值以及位置，计算所述亚像素点的灰度权重，包括：

24、若所述亚像素点属于第i行j列的主像素点，则所述亚像素点的灰度权重为w＝(i-α)·(β-j)，其中，α表示所述亚像素点所属的主像素点所在行数占总行数的比例，β表示所述亚像素点所属的主像素点所在的列数占总列数的比例。

25、可选地，所述亚像素点灰度值确定具体用于根据所述亚像素点所属的主像素点的灰度值、所述亚像素点的灰度权重以及所述主像素点的灰度值，确定所述亚像素点的灰度值，包括：

26、若所述亚像素点属于第i行j列的主像素点，则所述亚像素点的灰度值为g＝w*gi+(1-w)*gj，其中，g表示所述亚像素点的灰度值，w表示所述亚像素点的灰度权重，gi表示第i行j列的主像素点的灰度值，gj表示第j列的主像素点的灰度值。

27、可选地，所述结果融合与输出模块用于融合第一检测结果以及第二检测结果，输出最终的检测结果，包括：

28、根据第一检测结果得到墙板图像中第一类缺陷的位置信息；根据第二检测结果得到第二类缺陷的位置信息；所述第一类缺陷为孔洞、裂纹或者缺块，所述第二类缺陷为色差缺陷；

29、其中，当第一检测结果和第二检测结果位置区域重合时，再分析重合区域，当重合结果是由于色差造成的误检时，则标记区域位置为破损；当第一检测结果和第二检测结果没有位置区域重合时，则认定两个结果均为有效的缺陷检测结果，分别记录结果，即获得最终的检测结果。

30、根据本发明的另一个方面，提供了一种基于图像识别的墙板缺陷智能检测方法，包括以下步骤：

31、通过摄像头获取待检测的墙板图像；

32、对所述待检测的墙板图像数据进行预处理，获得预处理后的图像数据；

33、通过预先训练好的第一卷积神经网络模型对预处理后的图像数据进行墙板破损检测，得到第一检测结果；

34、通过预先训练好的第二卷积神经网络模型对预处理后的图像数据进行墙板色差缺陷检测，得到第二检测结果；

35、融合第一检测结果以及第二检测结果，输出最终的检测结果；

36、其中，利用所述第一卷积神经网络模型对所述预处理后的图像数据进行前向传播，获得第一预测框和第一置信度分数；若所述第一置信度分数大于或等于预定阈值，则将所述第一预测框确定为第一检测结果；

37、利用所述第二卷积神经网络模型对所述预处理后的图像数据进行前向传播，获得第二预测框和第二置信度分数；若所述第二置信度分数大于或等于预定阈值，则将所述第二预测框确定为第二检测结果；

38、所述融合第一检测结果以及第二检测结果，输出最终的检测结果，包括：

39、根据第一检测结果得到墙板图像中第一类缺陷的位置信息；根据第二检测结果得到第二类缺陷的位置信息；所述第一类缺陷为孔洞、裂纹或者缺块，所述第二类缺陷为色差缺陷；

40、其中，当第一检测结果和第二检测结果位置区域重合时，再分析重合区域，当重合结果是由于色差造成的误检时，则标记区域位置为破损；当第一检测结果和第二检测结果没有位置区域重合时，则认定两个结果均为有效的缺陷检测结果，分别记录结果，即获得最终的检测结果。

41、本发明的有益效果为：

42、通过自动化图像采集模块高效获取墙板图像，并对其进行必要的预处理，包括灰度化、滤波和尺寸标准化等步骤，预处理操作不仅确保了图像数据的质量，也为后续的缺陷检测打下了坚实的基础，减少人工操作，也显著提升了检测流程的效率，同时利用预先训练的卷积神经网络模型，实现了对墙板图像破损和色差缺陷的快速检测；

43、本发明利用两个专门的卷积神经网络模型，针对不同类型的缺陷进行精确识别，破损检测模型采用特征提取网络、区域建议网络rpn和roi池化层技术，优化了破损区域的定位过程，色差缺陷模型则通过构建亚像素灰度矩阵和灰度权重的精确计算，实现了对色差的亚像素级检测，这两种模型的融合使用，不仅提高了检测的准确性和可靠性，也减少了漏检和误检的可能性；

44、通过结果融合与输出模块采用智能算法，对破损和色差缺陷检测结果进行综合分析，对可能重合的缺陷区域进行再分析，排除误检，确保了检测结果的全面性和准确性，不仅能检测单一类型的缺陷，还能同时识别包括孔洞、裂纹、缺块以及色差在内的多种缺陷，大大扩展了检测的应用范围，确保了墙板产品质量的高标准，通过这种综合方法实现了墙板缺陷检测的自动化、精确化和智能化，有效提升了检测效率和准确性，同时降低了人力成本。

技术特征：

1.一种基于图像识别的墙板缺陷智能检测系统，其特征在于：包括图像采集模块、图像检测模块和结果融合与输出模块，

2.根据权利要求1所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：所述图像采集模块还用于设置相机的位置及角度，将相机放置于距待测墙体板预定高度的位置上；调整相机的角度，使相机镜头中心与待测墙体板水平方向呈预定夹角。

3.根据权利要求1所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：所述破损检测单元包括：利用所述第一卷积神经网络模型对所述预处理后的图像数据进行前向传播，获得第一预测框和第一置信度分数；若所述第一置信度分数大于或等于预定阈值，则将所述第一预测框确定为第一检测结果；

4.根据权利要求3所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：利用所述第一卷积神经网络模型对所述预处理后的图像数据进行前向传播，还包括特征提取网络、区域建议网络rpn、roi池化层，

5.根据权利要求3所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：利用所述第二卷积神经网络模型对所述预处理后的图像数据进行前向传播，还包括亚像素灰度矩阵构建、隶属主像素点确定、灰度权重计算、亚像素点灰度值确定、亚像素图像构建，

6.根据权利要求5所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：所述隶属主像素点确定具体用于计算所述亚像素点与候选主像素点之间的灰度差以及距离差，根据预先设定的阈值，确定所述亚像素点所属的主像素点，包括：

7.根据权利要求5所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：所述灰度权重计算具体用于根据所述亚像素点所属的主像素点的灰度值以及位置，计算所述亚像素点的灰度权重，包括：

8.根据权利要求5所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：所述亚像素点灰度值确定具体用于根据所述亚像素点所属的主像素点的灰度值、所述亚像素点的灰度权重以及所述主像素点的灰度值，确定所述亚像素点的灰度值，包括：

9.根据权利要求1所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：所述结果融合与输出模块用于融合第一检测结果以及第二检测结果，输出最终的检测结果，包括：

10.一种基于图像识别的墙板缺陷智能检测方法，应用于如权利要求1-9任一项所述的一种基于图像识别的墙板缺陷智能检测系统，其特征在于：包括以下步骤：

技术总结
本发明公开了一种基于图像识别的墙板缺陷智能检测系统和方法，涉及图像处理技术领域，包括图像采集模块、图像检测模块和结果融合与输出模块；本发明通过图像采集与预处理模块确保数据质量，并利用两个卷积神经网络模型分别对破损和色差缺陷进行快速而精确的检测，再通过结果融合与输出模块进一步通过智能算法综合分析，排除误检，确保检测结果的全面性和准确性，这种方法不仅提升了检测效率和准确性，还降低了人力成本，适用于多种类型的缺陷检测，显著提高了墙板产品的质量控制标准。

技术研发人员：翟辉,闫金康,张云鹏,刘磊,李光荣
受保护的技术使用者：广东松本绿色新材股份有限公司
技术研发日：
技术公布日：2024/12/5