一种基于深度学习YOLO算法的线束连接器排线质量检测方法技术

本发明专利技术公开了一种基于深度学习YOLO算法的线束连接器排线质量检测方法，包括如下步骤：1）获取产品样本；2）样本缺陷标记；3）模型训练及模型输出：用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；4）产品图像输入；5）图像预处理；6）产品缺陷检测；7）控制机构分类。通过上述方式，本发明专利技术采用深度学习YOLO算法，检测准确度高，检测效率快，在GPU为TITAN X的设备上检测速度可达到45FPS，在产品传输过程中不需要停顿即可实现对其缺陷的检测，本发明专利技术具有检测精度高、速度快、适用性强等突出优点。

【技术实现步骤摘要】
一种基于深度学习YOLO算法的线束连接器排线质量检测方法
本专利技术涉及线束连接器智能化检测
，特别是涉及一种基于深度学习YOLO算法的线束连接器排线质量检测方法。
技术介绍
目前的线束连接器生产线仍存在很大不足，其中排线质量检测阶段大部分依靠人工检测，工作人员要检查线材芯线有没有损坏，还需要检查线材有没有插入到正确对应的夹具Pin槽内，工作效率很低。即使有少量利用图像处理做检测的自动化设备，也是依靠传统算法，检测准确度低，效率低，不能完全依靠自动化设备的识别，需要人工辅助，而且根据产品的型号不同，要修改特征提取、图像分割等算法，极其复杂，消耗大量的人力物力。随着人工智能的大面积普及，深度学习算法的日趋完善，计算机设备计算能力不断提高，深度学习技术在目标检测方面大有代替传统技术之势。如今目标检测的深度学习算法有很多，而其中用于工业检测的几乎只有FasterRCNN算法，其检测的准确度和效率相比传统技术有很大提升，但其针对小目标的检测准确度不是很稳定，虽然速度有所提升，但并不能达到实时检测，对硬件设备的要求也很苛刻。
技术实现思路
本专利技术主要解决的技术问题是提供一种基于深度学习YOLO算法的线束连接器排线质量检测方法，能够提高线束连接器排线质量检测的准确度和效率。为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于深度学习YOLO算法的线束连接器排线质量检测方法，包括如下步骤：1）获取产品样本：获取若干线束连接器的样本图片；2）样本缺陷标记：给所获得的样本图片上标签，标记样本图片上的缺陷区域，形成完整的数据集；3）模型训练及模型输出：用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；4）产品图像输入：传送带将待检线束连接器移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器的图像；5）图像预处理：针对获取的线束连接器图像，选取环形目标区域，对目标区域进行高斯滤波图像预处理，消除部分存在的图像噪声；6）产品缺陷检测：将图像预处理后得到的图像输入到已经训练好的深度学习模型，即能够迅速检测到不合格产品，并标出缺陷具体位置和对应缺陷类型；7）控制机构分类：按照检测图像的结果进行下一步分类，如果系统检测为合格产品，传送带将合格的待检线束连接器产品移送到合格产品区中；若产品不合格，传送带将该不合格线束连接器产品移送到不合格产品区。在本专利技术一个较佳实施例中，所述步骤1）中，获取每种型号的线束连接器的缺陷样本图片各100~300张。在本专利技术一个较佳实施例中，所述步骤3）中，所述迭代训练中迭代次数为60000~100000次。本专利技术的有益效果是：1）采用本专利技术的检测方法，检测的准确度将会大大提高，检测的精度可以超过人工的检测精度，不需要人工辅助，可以实现完全的自动化；2）采用深度学习YOLO算法，检测准确度大大提高，检测效率也是极快，在GPU为TITANX的设备上检测速度可达到45FPS，在产品传输过程中不需要停顿即可实现对其缺陷的检测；3）不需要依靠特征提取、图形分割等极其复杂的算法，只需要提供产品缺陷对应的样本图片，可以适用不同的产品及不同缺陷，不需要因产品型号不同而修改算法；综上，本专利技术检测方法，具有检测精度高、速度快、适用性强等突出优点。具体实施方式下面对本专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。本专利技术实施例包括：一种基于深度学习YOLO算法的线束连接器排线检测方法，包括如下步骤：1）获取产品样本：获取若干线束连接器排线的样本图片；其中获取每种型号的线束连接器的排线缺陷样本图片各100~300张；2）样本缺陷标记：给所获得的样本图片上标签，标记样本图片上的缺陷区域，形成完整的数据集；优选使用LabelImg工具进行缺陷区域标记，可以效率提高标记效率；3）模型训练及模型输出：用深度学习YOLO算法对所标记的样本图片进行迭代训练，迭代次数为60000~100000次，样本图片通过训练迭代学习输出深度学习模型；4）产品图像输入：传送带将待检线束连接器移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器的图像；5）图像预处理：针对获取的线束连接器图像，选取环形目标区域，对目标区域进行高斯滤波图像预处理，消除部分存在的图像噪声；6）产品缺陷检测：将图像预处理后得到的图像输入到已经训练好的深度学习模型，即能够迅速检测到不合格产品，并标出缺陷具体位置和对应缺陷类型；7）控制机构分类：按照检测图像的结果进行下一步分类，如果系统检测为合格产品，传送带将合格的待检线束连接器产品移送到合格产品区中；若产品不合格，传送带将该不合格线束连接器产品移送到不合格产品区。本专利技术揭示了一种基于深度学习YOLO算法的线束连接器排线检测方法，无需人为干预，可以自动实现缺陷类型及相应指标的快速、准确测量，解决线束连接器排线质量检测中的实际问题。采用深度学习YOLO算法，不需要一系列特征提取，图像分割等复杂的算法操作，只需要100张以上样本图像，在其上标记缺陷，然后进行迭代训练，该技术相比传统算法检测准确率大大提高，检测效率也是极快，在GPU为TITANX的设备上检测速度可达到45FPS，在产品传输过程中不需要停顿即可实现对其缺陷的检测。因此本专利技术具有检测精度高、速度快、适用性强等突出优点。在本专利技术的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为该专利技术产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。以上所述仅为本专利技术的优选实施例而已，并不用于限制本专利技术，对于本领域的技术人员来说，本专利技术可以有各种更改和变化。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。以上所述仅为本专利技术的实施例，并非因此限制本专利技术的专利范围，凡是利用本专利技术说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
，均同理包括在本专利技术的专利保护范围内。本文档来自技高网...

【技术保护点】
1.一种基于深度学习YOLO算法的线束连接器排线质量检测方法，其特征在于，包括如下步骤：1）获取产品样本：获取若干线束连接器的样本图片；2）样本缺陷标记：给所获得的样本图片上标签，标记样本图片上的缺陷区域，形成完整的数据集；3）模型训练及模型输出：用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；4）产品图像输入：传送带将待检线束连接器移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器的图像；5）图像预处理：针对获取的线束连接器图像，选取环形目标区域，对目标区域进行高斯滤波图像预处理，消除部分存在的图像噪声；6）产品缺陷检测：将图像预处理后得到的图像输入到已经训练好的深度学习模型，即能够迅速检测到不合格产品，并标出缺陷具体位置和对应缺陷类型；7）控制机构分类：按照检测图像的结果进行下一步分类，如果系统检测为合格产品，传送带将合格的待检线束连接器产品移送到合格产品区中；若产品不合格，传送带将该不合格线束连接器产品移送到不合格产品区。...

【技术特征摘要】
1.一种基于深度学习YOLO算法的线束连接器排线质量检测方法，其特征在于，包括如下步骤：1）获取产品样本：获取若干线束连接器的样本图片；2）样本缺陷标记：给所获得的样本图片上标签，标记样本图片上的缺陷区域，形成完整的数据集；3）模型训练及模型输出：用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；4）产品图像输入：传送带将待检线束连接器移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器的图像；5）图像预处理：针对获取的线束连接器图像，选取环形目标区域，对目标区域进行高斯滤波图像预处理，消除部分存在...

【专利技术属性】
技术研发人员：李海庆，
申请(专利权)人：江苏拙术智能制造有限公司，
类型：发明
国别省市：江苏,32