本技術(shù)涉及缺陷檢測(cè)，尤其涉及一種工件檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在工件出廠(chǎng)前都需要對(duì)其進(jìn)行缺陷檢測(cè)，但由于工件造型多變，隨著造型、拍照角度、遮擋等差異，導(dǎo)致新工件上線(xiàn)檢測(cè)時(shí)存在誤檢概率高的問(wèn)題，若無(wú)法提前解決誤檢問(wèn)題，每上線(xiàn)一個(gè)新工件時(shí)的檢測(cè)直通率都較低，需要對(duì)檢測(cè)算法進(jìn)行頻繁的迭代訓(xùn)練后才能提高檢測(cè)直通率，影響了缺陷檢測(cè)的效率。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種工件檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，以解決如何提高工件的檢測(cè)直通率的技術(shù)問(wèn)題。

2、第一方面，本技術(shù)提供了一種工件檢測(cè)方法，所述方法包括：

3、獲取目標(biāo)工件的三維模型在不同姿態(tài)點(diǎn)的3d姿態(tài)點(diǎn)云；

4、將所述3d姿態(tài)點(diǎn)云輸入預(yù)先訓(xùn)練的人工智能生成內(nèi)容模型，得到第一生成圖像；其中，所述人工智能生成內(nèi)容模型為基于3d點(diǎn)云生成2d圖像的模型；

5、基于預(yù)設(shè)的缺陷檢測(cè)模型對(duì)所述第一生成圖像進(jìn)行檢測(cè)，得到第一訓(xùn)練樣本；

6、基于所述第一訓(xùn)練樣本對(duì)所述缺陷檢測(cè)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)工件的優(yōu)化檢測(cè)模型；

7、根據(jù)所述優(yōu)化檢測(cè)模型對(duì)所述目標(biāo)工件進(jìn)行缺陷檢測(cè)。

8、可選地，所述方法還包括：獲取所述人工智能生成內(nèi)容模型；

9、其中，所述人工智能生成內(nèi)容模型的訓(xùn)練過(guò)程包括：

10、依次采集第一工件處于每一個(gè)待采集點(diǎn)位時(shí)的目標(biāo)數(shù)據(jù)；其中，在所述第一工件處于所述待采集點(diǎn)位中的任一目標(biāo)點(diǎn)位的情況下，基于3d相機(jī)采集所述第一工件的3d點(diǎn)云數(shù)據(jù)，基于2d相機(jī)采集所述第一工件的真實(shí)2d圖像，以及獲取所述3d點(diǎn)云數(shù)據(jù)與所述真實(shí)2d圖像的位姿變換矩陣；將所述3d點(diǎn)云數(shù)據(jù)、所述真實(shí)2d圖像和所述位姿變換矩陣作為所述目標(biāo)點(diǎn)位下的所述目標(biāo)數(shù)據(jù)；

11、分別對(duì)每組所述目標(biāo)數(shù)據(jù)進(jìn)行如下處理，得到第二訓(xùn)練樣本集：對(duì)所述3d點(diǎn)云數(shù)據(jù)進(jìn)行點(diǎn)云體素濾波，得到降采樣點(diǎn)云；根據(jù)所述位姿變換矩陣對(duì)所述降采樣點(diǎn)云進(jìn)行計(jì)算，得到統(tǒng)一到所述真實(shí)2d圖像視角下的目標(biāo)點(diǎn)云，將所述目標(biāo)點(diǎn)云和所述真實(shí)2d圖像作為第二訓(xùn)練樣本；其中，所述第二訓(xùn)練樣本集包括所有所述第二訓(xùn)練樣本；

12、根據(jù)所述第二訓(xùn)練樣本集對(duì)初始生成模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的所述人工智能生成內(nèi)容模型。

13、可選地，對(duì)所述3d點(diǎn)云數(shù)據(jù)進(jìn)行點(diǎn)云體素濾波，得到降采樣點(diǎn)云，包括：

14、將所述3d點(diǎn)云數(shù)據(jù)進(jìn)行網(wǎng)格劃分，得到多個(gè)三維體素；

15、對(duì)于所述三維體素中的每一個(gè)目標(biāo)三維體素，執(zhí)行點(diǎn)云體素濾波處理；其中，所述點(diǎn)云體素濾波處理包括：確定所述目標(biāo)三維體素的體素重心；將所述目標(biāo)三維體素中最鄰近所述體素重心的點(diǎn)作為所述目標(biāo)三維體素的代表點(diǎn)；

16、將所有所述代表點(diǎn)作為所述降采樣點(diǎn)云。

17、可選地，將所述3d點(diǎn)云數(shù)據(jù)進(jìn)行網(wǎng)格劃分，得到多個(gè)三維體素，包括：

18、根據(jù)公式確定最大體素邊長(zhǎng)；其中，lmax表示最大體素邊長(zhǎng)，v表示按照體素邊長(zhǎng)l劃分得到的當(dāng)前體素的所有點(diǎn)，t表示按照體素邊長(zhǎng)l劃分得到的所有體素，pv表示當(dāng)前體素中距離體素重心最近的點(diǎn)，f表示曲率特征函數(shù)，λ表示正則化項(xiàng)參數(shù)；表示二范數(shù)的平方；

19、按照所述最大體素邊長(zhǎng)對(duì)所述3d點(diǎn)云數(shù)據(jù)進(jìn)行網(wǎng)格劃分，得到多個(gè)所述三維體素；其中，在按照所述最大體素邊長(zhǎng)進(jìn)行網(wǎng)格劃分時(shí)，所有三維體素的曲率特征損失最小。

20、可選地，根據(jù)所述第二訓(xùn)練樣本集對(duì)初始生成模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的所述人工智能生成內(nèi)容模型，包括：

21、對(duì)于所述第二訓(xùn)練樣本集中的每一個(gè)第二訓(xùn)練樣本作如下處理：將所述第二訓(xùn)練樣本中的所述目標(biāo)點(diǎn)云轉(zhuǎn)換成張量格式并進(jìn)行特征提取，得到特征圖；對(duì)所述特征圖進(jìn)行上采樣、卷積及歸一化處理，得到第二生成圖像；將所述目標(biāo)點(diǎn)云和所述真實(shí)2d圖像作為第一數(shù)據(jù)對(duì)，將所述目標(biāo)點(diǎn)云和所述第二生成圖像作為第二數(shù)據(jù)對(duì)；

22、根據(jù)第一數(shù)據(jù)對(duì)集合和第二數(shù)據(jù)對(duì)集合對(duì)初始生成模型進(jìn)行訓(xùn)練直至損失函數(shù)最小，將所述損失函數(shù)最小時(shí)的模型作為訓(xùn)練后的所述人工智能生成內(nèi)容模型。

23、可選地，基于預(yù)設(shè)的缺陷檢測(cè)模型對(duì)所述第一生成圖像進(jìn)行檢測(cè)，得到第一訓(xùn)練樣本，包括：

24、基于預(yù)設(shè)的缺陷檢測(cè)模型對(duì)所述第一生成圖像進(jìn)行檢測(cè)，得到檢測(cè)未通過(guò)的檢測(cè)失敗圖像；

25、獲取對(duì)所述檢測(cè)失敗圖像進(jìn)行人工復(fù)核后的誤檢圖；

26、重復(fù)執(zhí)行所述獲取目標(biāo)工件的三維模型在不同姿態(tài)點(diǎn)的3d姿態(tài)點(diǎn)云，至所述獲取對(duì)所述檢測(cè)失敗圖像進(jìn)行人工復(fù)核后的誤檢圖的步驟，直至重復(fù)次數(shù)達(dá)到預(yù)設(shè)次數(shù)；

27、將所有所述誤檢圖作為所述第一訓(xùn)練樣本。

28、可選地，基于所述第一訓(xùn)練樣本對(duì)所述缺陷檢測(cè)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)工件的優(yōu)化檢測(cè)模型，包括：

29、基于所有所述誤檢圖對(duì)所述缺陷檢測(cè)模型進(jìn)行訓(xùn)練，直至所有所述誤檢圖都能被所述缺陷檢測(cè)模型識(shí)別通過(guò)，將訓(xùn)練完成的所述缺陷檢測(cè)模型作為所述目標(biāo)工件的所述優(yōu)化檢測(cè)模型。

30、第二方面，本技術(shù)提供了一種工件檢測(cè)裝置，所述裝置包括：

31、獲取模塊，用于獲取目標(biāo)工件的三維模型在不同姿態(tài)點(diǎn)的3d姿態(tài)點(diǎn)云；

32、圖像生成模塊，用于將所述3d姿態(tài)點(diǎn)云輸入預(yù)先訓(xùn)練的人工智能生成內(nèi)容模型，得到第一生成圖像；其中，所述人工智能生成內(nèi)容模型為基于3d點(diǎn)云生成2d圖像的模型；

33、模擬檢測(cè)模塊，用于基于預(yù)設(shè)的缺陷檢測(cè)模型對(duì)所述第一生成圖像進(jìn)行檢測(cè)，得到第一訓(xùn)練樣本；

34、缺陷檢測(cè)模型訓(xùn)練模塊，用于基于所述第一訓(xùn)練樣本對(duì)所述缺陷檢測(cè)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)工件的優(yōu)化檢測(cè)模型；

35、缺陷檢測(cè)模塊，用于根據(jù)所述優(yōu)化檢測(cè)模型對(duì)所述目標(biāo)工件進(jìn)行缺陷檢測(cè)。

36、第三方面，本技術(shù)提供了一種電子設(shè)備，包括處理器、通信接口、存儲(chǔ)器和通信總線(xiàn)，其中，處理器，通信接口，存儲(chǔ)器通過(guò)通信總線(xiàn)完成相互間的通信；

37、存儲(chǔ)器，用于存放計(jì)算機(jī)程序；

38、處理器，用于執(zhí)行存儲(chǔ)器上所存放的程序時(shí)，實(shí)現(xiàn)第一方面任一項(xiàng)實(shí)施例所述的工件檢測(cè)方法。

39、第四方面，本技術(shù)提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面任一項(xiàng)實(shí)施例所述的工件檢測(cè)方法。

40、本技術(shù)實(shí)施例提供的上述技術(shù)方案與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：本技術(shù)實(shí)施例提供的該方法，獲取目標(biāo)工件的三維模型在不同姿態(tài)點(diǎn)的3d姿態(tài)點(diǎn)云；將所述3d姿態(tài)點(diǎn)云輸入預(yù)先訓(xùn)練的人工智能生成內(nèi)容模型，得到第一生成圖像；其中，所述人工智能生成內(nèi)容模型為基于3d點(diǎn)云生成2d圖像的模型；基于預(yù)設(shè)的缺陷檢測(cè)模型對(duì)所述第一生成圖像進(jìn)行檢測(cè)，得到第一訓(xùn)練樣本；基于所述第一訓(xùn)練樣本對(duì)所述缺陷檢測(cè)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)工件的優(yōu)化檢測(cè)模型；根據(jù)所述優(yōu)化檢測(cè)模型對(duì)所述目標(biāo)工件進(jìn)行缺陷檢測(cè)。該方法可在目標(biāo)工件上線(xiàn)檢測(cè)之前，獲取目標(biāo)工件的三維模型在不同姿態(tài)點(diǎn)的3d姿態(tài)點(diǎn)云，將3d姿態(tài)點(diǎn)云輸入預(yù)先訓(xùn)練的人工智能生成內(nèi)容模型得到第一生成圖像，再基于預(yù)設(shè)的缺陷檢測(cè)模型對(duì)第一生成圖像進(jìn)行檢測(cè)，得到第一訓(xùn)練樣本，從而可以提前根據(jù)第一訓(xùn)練樣本對(duì)缺陷檢測(cè)模型進(jìn)行訓(xùn)練，得到針對(duì)目標(biāo)工件的優(yōu)化檢測(cè)模型，在目標(biāo)工件正式上線(xiàn)時(shí)可根據(jù)優(yōu)化檢測(cè)模型對(duì)目標(biāo)工件進(jìn)行缺陷檢測(cè)，由于提前解決了目標(biāo)工件的誤檢問(wèn)題，可提高目標(biāo)工件的檢測(cè)直通率，并且不需要在目標(biāo)工件正式上線(xiàn)時(shí)再對(duì)缺陷檢測(cè)模型進(jìn)行迭代訓(xùn)練，提高了缺陷檢測(cè)效率。