<p>(19)中华人民共和国国家知识产权局</p>
<p>(12)发明专利申请</p>
<p>(10)申请公布号 CN 111951231 A</p>
<p>(43)申请公布日 2020.11.17</p>
<p>(21)申请号 202010724011 .X</p>
<p>(22)申请日 2020 .07 .24</p>
<p>(71)申请人 上海微亿智造科技有限公司</p>
<p>地址 201100 上海市闵行区元江路5500号</p>
<p>第1幢</p>
<p>申请人 常州微亿智造科技有限公司</p>
<p>(72)发明人 王罡 陈红星 朱志庭</p>
<p>侯大为</p>
<p>(74)专利代理机构 上海段和段律师事务所</p>
<p>代理人 李佳俊 郭国中</p>
<p>(51)Int .Cl .</p>
<p>G06T 7/00 (2017 .01)</p>
<p>G06K 9/62 (2006 .01)</p>
<p>G06N 3/04 (2006 .01)</p>
<p>G06N 3/08 (2006 .01)</p>
<p>权利要求书1页</p>
<p>CN 111951231 A</p>
<p>(54)发明名称</p>
<p>一种金属粉末注射成型外观缺陷的标注方</p>
<p>法及系统</p>
<p>(57)摘要</p>
<p>本发明提供了一种金属粉末注射成型外观</p>
<p>缺陷的标注方法及系统，</p>
<p>包括步骤M1：</p>
<p>沿着缺陷</p>
<p>形状及轮廓描绘出金属粉末注射成型外观缺陷；</p>
<p>步骤M2：</p>
<p>记录描绘笔记经过的点集及线框，</p>
<p>储至标记缺陷的描述文件中；</p>
<p>步骤M3：</p>
<p>利用缺陷</p>
<p>类型字段区分所标记的缺陷类型；</p>
<p>步骤M4：</p>
<p>并解析标记缺陷的描述文件，</p>
<p>提取含有相同缺陷</p>
<p>类型字段的数据信息；</p>
<p>步骤M5：</p>
<p>利用提取的数据</p>
<p>信息将缺陷轮廓绘制出来并保存为掩膜图，</p>
<p>原图对应的标签图。本发明利用标注软件对图像</p>
<p>数据标注，</p>
<p>标注时除了将质检认定的缺陷信息标</p>
<p>注出来之外还要把低于标准缺陷的轻微、</p>
<p>微小缺</p>
<p>陷一并标记为缺陷，</p>
<p>以保证查全率。</p>
<p>说明书7页</p>
<p>附图1页</p>
<p>CN 111951231 A</p>
<p>1/1 页</p>
<p>1 .一种金属粉末注射成型外观缺陷的标注方法，</p>
<p>其特征在于，</p>
<p>步骤M1：</p>
<p>沿着缺陷形状及轮廓描绘出金属粉末注射成型外观缺陷；</p>
<p>步骤M2：</p>
<p>记录描绘笔记经过的点集及线框，</p>
<p>并存储至标记缺陷的描述文件中；</p>
<p>步骤M3：</p>
<p>利用缺陷类型字段区分所标记的缺陷类型；</p>
<p>步骤M4：</p>
<p>读取并解析标记缺陷的描述文件，</p>
<p>提取含有相同缺陷类型字段的数据信息；</p>
<p>步骤M5：</p>
<p>利用提取的数据信息将缺陷轮廓绘制出来并保存为掩膜图 ，</p>
<p>作为原图对应的</p>
<p>标签图。</p>
<p>2 .根据权利要求1所述的金属粉末注射成型外观缺陷的标注方法，</p>
<p>其特征在于，</p>
<p>所述步</p>
<p>骤M1包括：</p>
<p>沿着缺陷形状及轮廓描绘出粗细不一的包括划痕和裂纹的细长型缺陷。</p>
<p>3 .根据权利要求1所述的金属粉末注射成型外观缺陷的标注方法，</p>
<p>其特征在于，</p>
<p>所述步</p>
<p>骤M2包括：</p>
<p>记录描绘笔记经过的点集及画笔粗细值并保存于“XML”文件中，</p>
<p>作为标记缺陷的</p>
<p>描述文件。</p>
<p>4 .根据权利要求1所述的金属粉末注射成型外观缺陷的标注方法，</p>
<p>其特征在于，</p>
<p>所述步</p>
<p>骤M4包括：</p>
<p>读取并解析标记缺陷的描述文件，</p>
<p>提取含有相同缺陷类型字段的数据信息，</p>
<p>信息包括画笔的点集和线框。</p>
<p>5 .根据权利要求1所述的金属粉末注射成型外观缺陷的标注方法，</p>
<p>其特征在于，</p>
<p>所述步</p>
<p>骤M5包括：</p>
<p>生成一张与原图相同宽高的纯黑色背景图，</p>
<p>利用XML提取的点集和线宽用纯白色</p>
<p>画笔将缺陷轮廓绘制出来并保存为掩膜图作为与原图对应的标签图。</p>
<p>6 .一种金属粉末注射成型外观缺陷的标注系统，</p>
<p>其特征在于，</p>
<p>模块M1：</p>
<p>沿着缺陷形状及轮廓描绘出金属粉末注射成型外观缺陷；</p>
<p>模块M2：</p>
<p>记录描绘笔记经过的点集及线框，</p>
<p>并存储至标记缺陷的描述文件中；</p>
<p>模块M3：</p>
<p>利用缺陷类型字段区分所标记的缺陷类型；</p>
<p>模块M4：</p>
<p>读取并解析标记缺陷的描述文件，</p>
<p>提取含有相同缺陷类型字段的数据信息；</p>
<p>模块M5：</p>
<p>利用提取的数据信息将缺陷轮廓绘制出来并保存为掩膜图 ，</p>
<p>作为原图对应的</p>
<p>标签图。</p>
<p>7 .根据权利要求6所述的金属粉末注射成型外观缺陷的标注系统，</p>
<p>其特征在于，</p>
<p>所述模</p>
<p>块M1包括：</p>
<p>沿着缺陷形状及轮廓描绘出粗细不一的包括划痕和裂纹的细长型缺陷。</p>
<p>8 .根据权利要求6所述的金属粉末注射成型外观缺陷的标注系统，</p>
<p>其特征在于，</p>
<p>所述模</p>
<p>块M2包括：</p>
<p>记录描绘笔记经过的点集及画笔粗细值并保存于“XML”文件中，</p>
<p>作为标记缺陷的</p>
<p>描述文件。</p>
<p>9 .根据权利要求6所述的金属粉末注射成型外观缺陷的标注系统，</p>
<p>其特征在于，</p>
<p>所述模</p>
<p>块M4包括：</p>
<p>读取并解析标记缺陷的描述文件，</p>
<p>提取含有相同缺陷类型字段的数据信息，</p>
<p>信息包括画笔的点集和线框。</p>
<p>10 .根据权利要求6所述的金属粉末注射成型外观缺陷的标注系统，</p>
<p>其特征在于，</p>
<p>模块M5包括：</p>
<p>生成一张与原图相同宽高的纯黑色背景图，</p>
<p>利用XML提取的点集和线宽用纯白</p>
<p>色画笔将缺陷轮廓绘制出来并保存为掩膜图作为与原图对应的标签图。</p>
<p>CN 111951231 A</p>
<p>1/7 页</p>
<p>一种金属粉末注射成型外观缺陷的标注方法及系统</p>
<p>技术领域</p>
<p>[0001] 本发明涉及缺陷标注领域，</p>
<p>具体地，</p>
<p>涉及一种金属粉末注射成型外观缺陷的标注</p>
<p>方法及系统。</p>
<p>背景技术</p>
<p>[0002] 工业生产过程中，</p>
<p>最重要的任务之一是确保成品的质量，</p>
<p>尤其是对产品表面的检</p>
<p>测。通常，</p>
<p>产品表面的质量检测是有车间工人手动进行，</p>
<p>这样的检测方式都非常耗时，</p>
<p>低下并且严重限制生产力。</p>
<p>几年前，</p>
<p>传统的机器视觉方法已经足够解决这些问题，</p>
<p>但是在工</p>
<p>业4 .0环境下，</p>
<p>智能工厂正在朝着产品的普遍化发展，</p>
<p>需要重新适应新产品的要求。传统机</p>
<p>器视觉的技术不具备这种灵活性，</p>
<p>因为这种技术方案是手工设计的特征只能适用于某个特</p>
<p>定领域，</p>
<p>一旦产品线发生了变化或者生产环境变了，</p>
<p>这种方法都要重新修改甚至推翻重新</p>
<p>设计。一种解决方案是在大量数据驱动下可以找到提高灵活性的低点，</p>
<p>深度学习方法可以</p>
<p>快速适应新型产品和仅通过适当数量的训练检测缺陷。与传统视觉方案相比 ，</p>
<p>深度学习可</p>
<p>以直接从低层数据中提取数据，</p>
<p>并且具有更高的响应能力，</p>
<p>从而完全取代了手动学习缺陷</p>
<p>特征的工程，</p>
<p>深度学习方法快速适应新产品，</p>
<p>这种方法成为非常适合于生产所需的柔性生</p>
<p>产线。尽管如此，</p>
<p>悬而未决的问题仍然是：</p>
<p>如何获取获取大量标注数据并且能够用于实际应</p>
<p>对于深度学习这点特别重要，</p>
<p>因为具有数百万个可学习参数的深层模型需要成千上万</p>
<p>张图片，</p>
<p>实际上这种量级的图像数据在工业生产环境中非常难获得。</p>
<p>[0003] 本发明研究的正是深度学习方法用于表面质量控制，</p>
<p>特别是工业产品表面缺陷领</p>
<p>域。所属的发明网络拥有良好的分类表现并且符合工业领域标注需求，</p>
<p>训练样本数量，</p>
<p>量。数据需求通过使用两阶段架构的深度卷积网络来解决。设计了一种新的具有分割和分</p>
<p>类效果的网络以满足小批量带有缺陷样本的训练，</p>
<p>并且能取得不错检测效果。</p>
<p>[0004] 深度学习表面异物检测逐渐成为热点及有前途的研究领域，</p>
<p>因为他们的高级和直</p>
<p>接的表现在视觉检测领域。深度学习技术已经发展为最适合做这项检测任务的技术。他们</p>
<p>允许检测系统通过对一些范例的学习来实现检测的目的，</p>
<p>本发明提出了一种基于分割的深</p>
<p>度学习网络用来检测和分割表面缺陷并且在表面划痕检测特定领域得到验证。提出的网络</p>
<p>结构使得对于小批量样本训练成为可能，</p>
<p>在实际应用中是非常重要的诉求。大量的现场数</p>
<p>据也验证了网络结构标注进度，</p>
<p>训练样本数量以及计算开销。模型的训练都是基于真实场</p>
<p>景数据，</p>
<p>每次训练的样本量只需要几百张，</p>
<p>其中有缺陷的样本数量更是仅需要三四十张就</p>
<p>能就能得到一个效果不错的模型，</p>
<p>这与常用的模型框架动辄成千上万的训练样本需求相比</p>
<p>更能契合智能车间样本训练样本产出的真实情况，</p>
<p>也使得深度学习方法能摆脱训练样本不</p>
<p>足的限制真正得到落地应用。</p>
<p>[0005] 专利文献CN106770307A(申请号：</p>
<p>201610853917 .5)公开了一种电子产品外观表面</p>
<p>缺陷检测装置及其检测方法，</p>
<p>包括检测物外壳，</p>
<p>双远焦镜头上端设有高精度CCD相机，</p>
<p>设有组合照明系统同轴光源，</p>
<p>组合照明系统同轴光源下端设有组合照明系统球积分光源，</p>
<p>组合照明系统球积分光源内放置检测物外壳，</p>
<p>涉及CCD图像采集、</p>
<p>光学照明、</p>
<p>图像处理、</p>
<p>CN 111951231 A</p>
<p>2/7 页</p>
<p>缺陷检测技术，</p>
<p>主要用来解决金属材质电子产品外观外表缺陷检测，</p>
<p>首先通过机器视觉采</p>
<p>集系统进行外观成像其次对图像进行相应软件算法处理，</p>
<p>通过图像采集方法和一种新型的</p>
<p>图像处理方式，</p>
<p>能够较好解决缺陷</p>

<hr>
<p>踩过坑的来评论区说说。</p>