一种喷码字符缺陷检测方法及装置与流程

本发明涉及计算机视觉和深度学习领域，具体提供一种喷码字符缺陷检测方法及装置。

背景技术：

1、目前，主流的工业产品缺陷检测采用传统图像处理方法实现，存在易受环境光、背景干扰、算法复用性差、仅能适应简单缺陷目标等问题，传统的喷码字符质检技术主要依靠人工进行判定，该质检过程主要考验质检员的仔细程度和经验技术，失误率较高、质检效率低、不同质检员的质检标准可能不一致，因此质检难度较大。

技术实现思路

1、本发明是针对上述现有技术的不足，提供一种实用性强的喷码字符缺陷检测方法。

2、本发明进一步的技术任务是提供一种设计合理，安全适用的喷码字符缺陷检测装置。

3、本发明解决其技术问题所采用的技术方案是：

4、一种喷码字符缺陷检测方法，具有如下步骤：

5、s1、训练数据集，单独对每一个字符进行检测；

6、s2、增设特征检测层；

7、s3、采用正负样本平衡策略；

8、s4、对图像中的可能目标进行边界框识别和定位，形成初步的目标检测结构，形成预测框；

9、s5、设置阈值，用以判断生成的预测框是否存在缺陷。

10、进一步的，在步骤s1中，单独对每个字符进行检测时，包括汉字、数据、英文字符和标点符号，采用one-stage模型，对每个字符单独检测，并直接进行缺陷与否的判定，运用focal loss损失函数，训练模型。

11、进一步的，在步骤s2中，在特征检测层中采用四个不同的特征图，设定特征检测层包含四个特征图fi，i＝{1,2,3,4}，fi表示第i个特征图，i＝1表示最高分辨率；

12、对于fi，大小为wi×hi，其中，wi和hi分别表示特征图的宽度和高度，使用面的公式来描述特征图的尺寸：

13、wi＝w0/(2^i)

14、hi＝h0/(2^i)。

15、进一步的，在步骤s3中，在计算损失时，focal loss会自动调整样本权重，对于易学习或者模型容易正确分类的样本，focal loss会分配较小的权重；

16、对于难以学习的样本，focal loss会赋予他们较高的权重。

17、进一步的，focal loss的公式为：

18、fl(pt)＝-αt(1-p_t)^γlog(p_t)#；

19、pt是样本被正确分类的概率，αt是平衡因子，γ是调节因子，通过调整γ解决类别不平衡的问题。

20、进一步的，在步骤s4中，对初步检测结构中的相邻或重叠的边界框进行根据预测框的x,y轴位置进行过滤，消除冗余和错位的边界框；

21、将相邻或重叠的单字符预测框合并，形成一个更大的预测框，捕获更多的上下文信息。

22、进一步的，在步骤s5中，设置的所述阈值基于经验或是通过训练数据得出，对检测结果进行精确的排序或分类，当预测框的指标低于阈值时，视为存在缺陷的预测框，需要进一步处理；

23、如果高于阈值，就认定为正常的预测结果。

24、一种喷码字符缺陷检测装置，包括：至少一个存储器和至少一个处理器；

25、所述至少一个存储器，用于存储机器可读程序；

26、所述至少一个处理器，用于调用所述机器可读程序，执行一种喷码字符缺陷检测方法。

27、本发明的一种喷码字符缺陷检测方法及装置和现有技术相比，具有以下突出的有益效果：

28、本发明运用focal loss损失函数，可以使机器学习模型更加专注于有困难学习的样本数据。这种方法是通过动态调整样本权重，使模型更加关注错误分类的样本。这符合字符缺陷的实际环境，可以有效的降低正负样本的不平衡性，并且能够大大改善深度学习模型的性能，提高其精度和优化其检测结果。

29、对yolov5目标检测模型的优化，增加额外的特征检测层，进一步提升了对于小目标检测任务的精度。这种优化方式采用了四个具有不同感受野的检测器，以提升对小目标检测的精度。这不仅增强了模型对于不同尺度目标的适应性，而且还提升了模型的可扩展性。

30、不仅提高了目标对象的检测准确性，还显著降低了误检的情况，增强了整体的目标检测和分类性能，展现出良好的实用前景。

31、使用机器视觉替代人工视觉质检，减轻质检员工作负担，提高质检效率和准确率，提高生产力。

技术特征：

1.一种喷码字符缺陷检测方法，其特征在于，具有如下步骤：

2.根据权利要求1所述的一种喷码字符缺陷检测方法，其特征在于，在步骤s1中，单独对每个字符进行检测时，包括汉字、数据、英文字符和标点符号，采用one-stage模型，对每个字符单独检测，并直接进行缺陷与否的判定，运用focal loss损失函数，训练模型。

3.根据权利要求2所述的一种喷码字符缺陷检测方法，其特征在于，在步骤s2中，在特征检测层中采用四个不同的特征图，设定特征检测层包含四个特征图fi，i＝{1,2,3,4}，fi表示第i个特征图，i＝1表示最高分辨率；

4.根据权利要求3所述的一种喷码字符缺陷检测方法，其特征在于，在步骤s3中，在计算损失时，focal loss会自动调整样本权重，对于易学习或者模型容易正确分类的样本，focal loss会分配较小的权重；

5.根据权利要求4所述的一种喷码字符缺陷检测方法，其特征在于，focal loss的公式为：

6.根据权利要求5所述的一种喷码字符缺陷检测方法，其特征在于，在步骤s4中，对初步检测结构中的相邻或重叠的边界框进行根据预测框的x,y轴位置进行过滤，消除冗余和错位的边界框；

7.根据权利要求6所述的一种喷码字符缺陷检测方法，其特征在于，在步骤s5中，设置的所述阈值基于经验或是通过训练数据得出，对检测结果进行精确的排序或分类，当预测框的指标低于阈值时，视为存在缺陷的预测框，需要进一步处理；

8.一种喷码字符缺陷检测装置，其特征在于，包括：至少一个存储器和至少一个处理器；

技术总结
本发明涉及计算机视觉和深度学习领域，具体提供了一种喷码字符缺陷检测方法及装置，具有如下步骤：S1、训练数据集，单独对每一个字符进行检测；S2、增设特征检测层；S3、采用正负样本平衡策略；S4、对图像中的可能目标进行边界框识别和定位，形成初步的目标检测结构，形成预测框；S5、设置阈值，用以判断生成的预测框是否存在缺陷。与现有技术相比，本发明使用机器视觉替代人工视觉质检，既可以减轻质检员工作负担，又可以提高质检效率和准确率，降低生产成本。

技术研发人员：侯泽辉,杨义坤
受保护的技术使用者：浪潮软件集团有限公司
技术研发日：
技术公布日：2024/3/11