基于深度学习的扁平漆包电磁线表面瑕疵检测方法技术

本发明专利技术公开基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法，包括步骤：1、扁平漆包电磁线图像采集：搭建暗场环境并使用按指定方式安装的面光源和摄像头采集扁平漆包电磁线图像；2、扁平漆包电磁线图像预处理：使用聚类算法分割出漆包线所在区域图像；3、扁平漆包电磁线的瑕疵识别：使用标签数据训练卷积神经网络，训练模型供检测系统调用，实现对扁平漆包电磁线的表面瑕疵检测；本发明专利技术通过机器视觉方法采集并预处理扁平漆包电磁线图像，并通过卷积神经网络精确的识别扁平漆包电磁线表面瑕疵，可减少人力的投入，降低检测成本，提高识别精度。

【技术实现步骤摘要】
基于深度学习的扁平漆包电磁线表面瑕疵检测方法
本专利技术属于电磁线表面瑕疵检测
，特别涉及基于深度学习的扁平漆包电磁线表面瑕疵检测方法。
技术介绍
产品表面质量问题一直是工业生产中备受关注的主要问题，产品表面质量会影响产品的商业价值和使用价值。电磁线又称绕组线，是用以制造电工产品中的线圈或绕组的绝缘电线。电磁线通常分为漆包线、绕包线、漆包绕包线和无机绝缘线。其中漆包电磁线是在导体外涂以相应的漆溶液，再经溶剂挥发和漆膜固化、冷却而制成，涂漆的主要目的是为了绝缘，但在电磁线涂漆过程中会出现涂抹不均匀、瑕疵突出等问题，产出不合格的电磁线。现有的扁平漆包电磁线的品质参数检测一般为人工检测，存在检测精度低、自动化程度低的缺点。生产出既符合标准要求，又满足客户要求的产品并不容易，它受原材料质量，工艺参数，生产设备，环境等因素影响，因此，各种漆包线的质量特性各不相同。现有的精密扁平漆包电磁线品质参数检测一般为人工检测，存在检测精度低、自动化程度低的缺点，因此亟需研发扁平漆包电磁线品质检测装置。
技术实现思路
r>本专利技术的主要本文档来自技高网...

【技术保护点】
1.基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法，其特征在于，包括步骤：/n(1)扁平漆包电磁线图像采集：在暗场环境下使用按指定方式安装的摄像头和面光源采集扁平漆包电磁线图像；/n(2)扁平漆包电磁线图像预处理：利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分；/n(3)扁平漆包电磁线的瑕疵识别：使用标签数据训练卷积神经网络使其可以识别漆包线的瑕疵，训练模型由检测系统调用。/n

【技术特征摘要】
1.基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法，其特征在于，包括步骤：
(1)扁平漆包电磁线图像采集：在暗场环境下使用按指定方式安装的摄像头和面光源采集扁平漆包电磁线图像；
(2)扁平漆包电磁线图像预处理：利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分；
(3)扁平漆包电磁线的瑕疵识别：使用标签数据训练卷积神经网络使其可以识别漆包线的瑕疵，训练模型由检测系统调用。


2.如权利要求1所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法，其特征在于，所述步骤(1)中在暗场环境下使用摄像头和LED异侧的安置方式采集扁平漆包电磁线图像的方法是：在暗场环境下，在扁平漆包电磁线的一侧将LED灯与摄像头对应放置，两者与扁平漆包电磁线均成60度夹角，垂直距离为20cm，LED灯发出的光线经扁平漆包电磁线反射后由摄像头接收，由此完成扁平漆包电磁线图像的采集。


3.如权利要求1所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法，其特征在于，所述步骤(2)中的利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分的方法是：首先选取K个不同的灰度值作为聚类中心，遍历所有数据并根据数据点与聚类中心的灰度值差异将每个数据点划分到最近的分类区域中，通过计算找出每个分类的中心点作为下一次迭代的聚类中心，再计算下一次迭代的聚类中心与当前聚类中心的差距，如两者之间的差距小于给定迭代阈值时，迭代结束，反之，继续下一次迭代直至满足设定要求，由此可以得到扁平漆包电磁线的聚类图，灰度值较低的一类即为电磁线所在区域，由此可以将电磁线图像分割出来。


4.如权利要求1所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法，其特征在于，所...

【专利技术属性】
技术研发人员：董桂香，
申请(专利权)人：南通远景电工器材有限公司，
类型：发明
国别省市：江苏;32