一种注塑制品缺陷检测识别方法技术

本发明专利技术公开了一种注塑制品缺陷检测识别方法，包括以下步骤：1)采集正常和存在已知缺陷的注塑制品的图像，对图像进行分类并生成样本；2)构建多层卷积神经网络模型；3)使用步骤1)中的样本对步骤2)中构建的卷积神经网络模型进行训练；4)将采集的实测注塑制品的图像经过预处理后输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品的图像进行分类识别，以判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行识别。本发明专利技术构建的卷积神经网络模型对各种注塑缺陷均采用相同的特征选择、提取方式，适应性较强，可适用于注塑制品各种类型缺陷的检测与识别。

【技术实现步骤摘要】

本专利技术属于缺陷检测识别
，更具体地，涉及一种注塑制品缺陷检测识别 方法。
技术介绍
在注塑成型过程中，由于原料物性参数变化、工艺参数不合理及注塑机性能不足 等因素，注塑制品会出现短射、飞边、裂纹、翘曲、气泡、熔接纹等缺陷。这些缺陷不仅影响注 塑制品的外观，且严重影响其使用性能。然而当前注塑制品缺陷检测识别大多依靠人工离 线抽样检测、自动化程度不高、检测效率低下，且容易受到检测人员主观意志的影响，准确 率不尚。 现有技术中已经提出了少量的注塑制品缺陷检测识别方法，例如，吴盛金在分割 出缺陷区域的基础上，提取了 3维形状特征及4维Hu不变矩，运用BP(BackPropagation) 神经网络对手机外壳中的缺陷进行分类，准确率为84. 44% (参见"注塑制品表面缺陷分析 及自动识别研宄"，2011，华南理工大学，硕士论文）。孙天瑜对短射、飞边、银纹、波流痕四 种注塑缺陷进行研宄，提取缺陷区域的形状和纹理特征，采用支持向量机（SupportVector Machine，SVM)进行分类识别（参见"基于机器视觉的注塑制品缺陷检测系统研宄"，2008， 东北大学，硕士论文）。上述方法均需要对缺陷特征进行分析以选择合适的、区分度高的特 征并进行特征提取，紧接着根据提取的特征通过BP神经网络或支持向量机进行分类，最后 在输出端给出分类结果。上述方法均依赖于缺陷特征的人工选取和描述。然而缺陷特征的 准确选取和有效描述比较困难，要选择区分度高的特征需要很好的先验知识；而且必须对 不同的注塑缺陷选择不同的特征，方法的适应性比较差。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种注塑制品缺陷检测识别 方法，其基于卷积神经网络模型自动进行特征选择、提取和学习，不需要以人工方式选择、 提取特征，适应性较强，可适用于注塑制品各种类型缺陷的检测与识别。 为实现上述目的，按照本专利技术的一个方面，提供了一种注塑制品缺陷检测识别方 法，其特征在于：包括以下步骤： 1)采集正常和存在已知缺陷的注塑制品的图像，对图像进行分类并生成样本； 2)构建多层卷积神经网络模型，所述卷积神经网络模型能提取注塑制品图像的特 征； 3)使用步骤1)中的样本对步骤2)中构建的多层卷积神经网络模型进行训练； 4)将采集的实测注塑制品的图像经过图像灰度化、图像缩放和图像归一化的预处 理后输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品 的图像进行分类识别，以判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行 识别。 优选地，所述步骤1)具体包括以下操作： 1.1)采集正常及存在已知缺陷类型的注塑制品的图像；其中，在采集的存在缺陷 的注塑制品中，每个注塑制品上只含有一种类型的缺陷；记采集的所有正常注塑制品图像 组成集合Q，所有存在类别j的缺陷的注塑制品图像组成集合Cj，其中1 <j<N，N为注 塑缺陷类别总数；判断所有采集的图像中是否有彩色图像，如果是，则转入步骤1. 2)，如果 否，则转入步骤1.3); 1. 2)将所有注塑制品图像中的彩色图像转换为灰度图像； 1. 3)将得到的所有注塑制品的灰度图像缩放至为WXH像素大小，其中W和H均为 整数且W彡28,H彡28 ; 1. 4)本步骤包括以下子步骤： 1.4. 1)设图像集合QCi…CfCN中每个图像集合的最小图像数量限制为Nmin，其 中1"为整数且Nmin> 1000,设置图像集合的类别编号t= 0 ; 1. 4. 2)判断t彡N是否成立，若是，则进入步骤1. 4. 3)，若否，则进入步骤1. 5); 1.4.3)判断图像集合Ct中所含的图像数量Nt<Nmin是否成立，若是，则进入步骤 1.4. 4)，若否，则进入步骤1.4.5); 1.4.4)对Ct中所有图像进行Nm次旋转，其中Nm为【主权项】1. ，其特征在于：包括w下步骤： 1) 采集正常和存在已知缺陷的注塑制品的图像，对图像进行分类并生成样本； 2) 构建多层卷积神经网络模型，所述卷积神经网络模型能提取注塑制品图像的特征； 3) 使用步骤1)中的样本对步骤2)中构建的多层卷积神经网络模型进行训练； 4) 将采集的实测注塑制品的图像经过图像灰度化、图像缩放和图像归一化的预处理后 输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品的图 像进行分类识别，W判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行识别。2. 根据权利要求1所述的，其特征在于：所述步骤1) 具体包括W下操作： 1. 1)采集正常及存在已知缺陷类型的注塑制品的图像；其中，在采集的存在缺陷的注 塑制品中，每个注塑制品上只含有一种类型的缺陷；记采集的所有正常注塑制品图像组成 集合C。，所有存在类别j的缺陷的注塑制品图像组成集合Cj.，其中1《j《N，N为注塑缺陷 类别总数；判断所有采集的图像中是否有彩色图像，如果是，则转入步骤1. 2)，如果否，贝U 转入步骤1. 3); 1. 2)将所有的彩色图像转换为灰度图像； 1. 3)将每幅注塑制品的灰度图像分别缩放至为WXH像素大小，其中W和H均为整数且W> 28,H> 28 ; 1.4)本步骤包括W下子步骤： 1.4. 1)设图像集合C。，Cl…(V，，Cw中每个图像集合内的最小图像数量限制为Nmi。，其 中Nmi。为整数且1000,设置图像集合的类别编号t= 0 ; 1. 4. 2)判断t《N是否成立，若是，则进入步骤1. 4. 3)，若否，则进入步骤1. 5); 1.4.3)判断图像集合Ct中所含的图像数量Nt<Nmi。是否成立，若是，则进入步骤 1.4. 4)，若否，则进入步骤1.4.5); 1. 4. 4)对Ct中所有图像进行旋转，其中NJ% ^向上取整的运算结果，旋转角 度为区间的随机整数角度； 1. 4. 5)设置t=t+1，返回步骤 1. 4. 2); 1.W将图像集合Q)，Ci，"(V"Cw中的每幅图像的像素灰度值除W最大灰度值255,归一 化到区间； 1. 6)将归一化后的每幅图像中的二维灰度值矩阵分别按行展开，每幅图像得到一个一 维行向量义'=(如4,為，……，為），其中i= 1，2,3,......n，n为图像集合C。，。…Cj…Cn 中所有图像数目的总和，S为行向量的元素个数，s=WXH;则对于任一幅图像，其对应的 行向量为公，其属于图像集合Ck，并且0《k《N，定义其类别标签向量r=化0, 0,…… 1，〇,〇,〇,......0)，其中1之前的0的数量为k个，1之后的0的数量为N-k个； 1.7)将每幅图像的一维行向量X哺类别标签向量yi组合，得到样本狂1，巧。3. 根据权利要求1所述的，其特征在于：所述步骤2) 中构建的多层卷积神经网络模型包含2个卷积层W及相同数目下采样层，其具体结构如 下： 2. 1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二 下采样层及全连接层；2.。第一卷积层使用Nei个keiXk。乂小的卷积核，对像素大小为WXH的输入图像进 行卷积W提取特征，得到该层的Nti个特征图本文档来自技高网...

【技术保护点】
一种注塑制品缺陷检测识别方法，其特征在于：包括以下步骤：1)采集正常和存在已知缺陷的注塑制品的图像，对图像进行分类并生成样本；2)构建多层卷积神经网络模型，所述卷积神经网络模型能提取注塑制品图像的特征；3)使用步骤1)中的样本对步骤2)中构建的多层卷积神经网络模型进行训练；4)将采集的实测注塑制品的图像经过图像灰度化、图像缩放和图像归一化的预处理后输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品的图像进行分类识别，以判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行识别。

【技术特征摘要】

【专利技术属性】
技术研发人员：周华民，张云，黄志高，李德群，程文博，崔炽标，高煌，周循道，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42