一種外觀缺陷測試中測試參數生成方法
【技術領域】
[0001]本發明涉及外觀缺陷測試技術領域，特別是涉及一種外觀缺陷測試中測試參數生成方法。
【背景技術】
[0002]目前，對于汽車零部件外觀測試、齒輪缺陷測試、布匹缺陷測試和陶瓷缺陷等這些產品的測試，外觀缺陷測試中，采用人工測試的方法對外觀進行檢測，得到當前需要測試的產品的外觀參數，將外觀參數與測試參數進行比對。
[0003]測試參數是標準樣件的合格值參數，測試參數由人工依據自己的經驗設定，然而人工設定的合格值參數的準確性較低，即外觀缺陷測試中測試參數的準確性較低，導致缺陷測試的準確度降低。
【發明內容】
[0004]本發明的目的是提供一種外觀缺陷測試中測試參數生成方法，以實現提高測試參數的準確性，提高缺陷測試的準確度。
[0005]為解決上述技術問題，本發明提供一種外觀缺陷測試中測試參數生成方法，該方法包括:
[0006]獲取標準樣件的外觀圖像；
[0007]采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。
[0008]優選的，所述采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數，包括:
[0009]對標準樣件的外觀圖像中需要測試的區域的顏色分布進行分析，獲取顏色分布結果;所述顏色分布結果包括顏色平均值、顏色最小值及顏色最大值；
[0010]對標準樣件的外觀圖像中需要測試的區域的亮度分布進行分析，獲取亮度分布結果，并自動生成閥值參數，生成標準模板；
[0011]利用所述顏色分布結果和亮度分布結果通過深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。
[0012]優選的，所述標準樣件包括汽車零部件、齒輪、布匹、陶瓷或者紙張。
[0013]優選的，所述生成標準樣件的合格值參數之后，還包括:生成合格值參數的公差。
[0014]優選的，所述標準樣件的合格值參數包括顏色參數、亮度參數和標準模板參數。
[0015]優選的，所述獲取標準樣件的外觀圖像包括:
[0016]調用工業相機，通過串口發送燈光控制命令，對標準樣件進行打光，獲取標準樣件的外觀圖像。本發明所提供的一種外觀缺陷測試中測試參數生成方法，獲取標準樣件的外觀圖像;采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。可見，該方法利用標準樣件的外觀圖形，采用深度學習的方式獲取標準樣件的合格參數，能夠精確地獲取標準樣件的合格參數即測試參數，避免人工設定測試參數導致測試參數不準確的問題，提升測試參數的準確性，進而提高缺陷測試的準確度。
【附圖說明】
[0017]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。
[0018]圖1為本發明所提供的一種外觀缺陷測試中測試參數生成方法的流程圖。
【具體實施方式】
[0019]本發明的核心是提供一種外觀缺陷測試中測試參數生成方法，以實現節省人力成本，提高測試效率。
[0020]為了使本技術領域的人員更好地理解本發明方案，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0021]請參考圖1，圖1為本發明所提供的一種外觀缺陷測試中測試參數生成方法的流程圖，該方法包括:
[0022]SI 1:獲取標準樣件的外觀圖像；
[0023]其中，標準樣件包括汽車零部件、齒輪、布匹、陶瓷或者紙張。
[0024]其中，獲取標準樣件的外觀圖像的具體過程為:調用工業相機，通過串口發送燈光控制命令，對標準樣件進行打光，獲取標準樣件的外觀圖像。
[0025]S12:采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。
[0026]其中，標準樣件的合格者參數為測試參數。
[0027]其中，生成標準樣件的合格值參數之后，生成合格值參數的公差。
[0028]本發明所提供的一種外觀缺陷測試中測試參數生成方法，獲取標準樣件的外觀圖像;采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。可見，該方法利用標準樣件的外觀圖形，采用深度學習的方式獲取標準樣件的合格值參數，能夠精確地獲取標準樣件的合格參數即測試參數，避免人工設定測試參數導致測試參數不準確的問題，提升測試參數的準確性，進而提高缺陷測試的準確度。
[0029]可選的，步驟S12具體包括如下步驟:
[0030]S1:對標準樣件的外觀圖像中需要測試的區域的顏色分布進行分析，獲取顏色分布結果;所述顏色分布結果包括顏色平均值、顏色最小值及顏色最大值；
[0031]S2:對標準樣件的外觀圖像中需要測試的區域的亮度分布進行分析，獲取亮度分布結果，并自動生成閥值參數，生成標準模板；
[0032]S3:利用顏色分布結果和亮度分布結果通過深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。
[0033]其中，標準樣件的合格值參數包括顏色參數、亮度參數和標準模板參數。
[0034]標準樣件的合格值參數為標準樣件的外觀圖像在自動學習過程中生成的學習參數。
[0035]具體的，自動用戶在學習界面添加測試項并選中測試區域后，測試軟件自動分析學習的標準樣件的學習區域顏色的分布情況，自動的設定顏色或者亮度閥值，并自動的生成標準的合格值參數以及公差。優勢是不需要人工設定測試參數，普通人員也能操作該軟件。
[0036]基于上述優選，本發明所提供的另一種外觀缺陷測試中測試參數生成方法，獲取標準樣件的外觀圖像;對標準樣件的外觀圖像中需要測試的區域的顏色分布進行分析，獲取顏色分布結果；；對標準樣件的外觀圖像中需要測試的區域的亮度分布進行分析，獲取亮度分布結果，并自動生成閥值參數，生成標準模板;利用顏色分布結果和亮度分布結果通過深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。
[0037]可見，該方法利用標準樣件的外觀圖形，獲取外觀圖像的顏色分布結果和亮度分布結果，采用深度學習的方式獲取標準樣件的合格值參數，合格值參數包括顏色參數、亮度參數和標準模板參數，這樣能夠精確地獲取標準樣件的合格參數即測試參數，避免人工設定測試參數導致測試參數不準確的問題，提升測試參數的準確性，進而提高缺陷測試的準確度。
[0038]以上對本發明所提供的一種外觀缺陷測試中測試參數生成方法進行了詳細介紹。本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明的方法及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以對本發明進行若干改進和修飾，這些改進和修飾也落入本發明權利要求的保護范圍內。
【主權項】
1.一種外觀缺陷測試中測試參數生成方法，其特征在于，包括: 獲取標準樣件的外觀圖像； 采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。2.如權利要求1所述的方法，其特征在于，所述采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數，包括: 對標準樣件的外觀圖像中需要測試的區域的顏色分布進行分析，獲取顏色分布結果；所述顏色分布結果包括顏色平均值、顏色最小值及顏色最大值； 對標準樣件的外觀圖像中需要測試的區域的亮度分布進行分析，獲取亮度分布結果，并自動生成閥值參數，生成標準模板； 利用所述顏色分布結果和亮度分布結果通過深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。3.如權利要求1所述的方法，其特征在于，所述標準樣件包括汽車零部件、齒輪、布匹、陶瓷或者紙張。4.如權利要求1所述的方法，其特征在于，所述生成標準樣件的合格值參數之后，還包括:生成合格值參數的公差。5.如權利要求2所述的方法，其特征在于，所述標準樣件的合格值參數包括顏色參數、亮度參數和標準模板參數。6.如權利要求1至5中任意一項所述的方法，其特征在于，所述獲取標準樣件的外觀圖像包括: 調用工業相機，通過串口發送燈光控制命令，對標準樣件進行打光，獲取標準樣件的外觀圖像。
【專利摘要】本發明公開了一種外觀缺陷測試中測試參數生成方法，該方法包括：獲取標準樣件的外觀圖像；采用深度學習算法對標準樣件的外觀圖像進行自動學習，生成標準樣件的合格值參數。該方法實現節省人力成本，提高測試效率。
【IPC分類】G01N21/88
【公開號】CN105572136
【申請號】CN201510931909
【發明人】姜國清, 王成剛, 盧暉
【申請人】重慶瑞陽科技股份有限公司
【公開日】2016年5月11日
【申請日】2015年12月15日