一种基于深度学习的金属闷盖表面缺陷的检测方法技术

本发明专利技术实施例公开了一种基于深度学习的金属闷盖表面缺陷的检测方法。该检测方法包括分析金属闷盖的正常表面和金属闷盖的缺陷表面，并确定所需检测的金属闷盖表面的缺陷类型和缺陷特征；采用相机采集所需检测的金属闷盖表面的图像，并对所述图像处理获得图像数据集；根据所述图像数据集构建金属闷盖表面缺陷的检测模型，采用改进的深度卷积网络提取所述图像的不同层次的特征，基于所述特征学习获得缺陷类型及范围检测模型，所述缺陷类型及范围检测模型可以检测出表面缺陷在图像中的位置。该检测方法能够具有高检测速度和精度且适用一些特定生产场所。

【技术实现步骤摘要】
一种基于深度学习的金属闷盖表面缺陷的检测方法
本专利技术涉及缺陷检测的
，特别是涉及一种基于深度学习的金属闷盖表面缺陷的检测方法。
技术介绍
随着工业生产技术的发展，现代制造业对加工零件表面质量的要求越来越严格。加工零件表面质量不仅影响产品本身的外观形状，更有可能影响产品本身的功能。目前，用于实际生产中的产品表面质量检测的方法包括：人工目视检查，磁粉检测，渗透检测，涡流检测等，这些检测方法各有各自特点及其使用范围。人工检测在速度和精度上难以定量，在表面质量定性过程中容易对产品表面质量造成漏检、漏判，特别是不能检测到比较小的变形或者夹杂着的缺陷。渗透检测、涡流检测、磁粉检测在许多生产领域和生产现场都存在局限性，在特定生产场景中难以满足工艺条件、材料性能、成本、产能条件等要求。因此，针对上述技术问题，有必要提供一种能够具有高检测速度和精度且适用一些特定生产场所的基于深度学习的金属闷盖表面缺陷的检测方法。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种基于深度学习的金属闷盖表面的检测方法。本专利技术实施例提供的基于深度学习的金属闷盖表面的检测方法采用机器视觉替代人眼来做缺陷的检测和判断，首先从客观目标的图像中提取相关信息，再通过智能算法处理相关信息，并将最终的处理结果应用于实际产品的检测。为了实现上述目的，本专利技术一实施例提供的技术方案如下：一种基于深度学习的金属闷盖表面缺陷的检测方法，包括步骤S1:分析金属闷盖的正常表面和金属闷盖的缺陷表面，并确定所需检测的金属闷盖表面的缺陷类型和缺陷特征；步骤S2：采用相机采集所需检测的金属闷盖表面的图像，并对所述图像处理获得图像数据集；步骤S3：根据所述图像数据集构建金属闷盖表面缺陷的检测模型，采用改进的深度卷积网络提取所述图像的不同层次的特征，基于所述特征学习获得缺陷类型及范围检测模型，所述缺陷类型及范围检测模型可以检测出表面缺陷在图像中的位置。作为本专利技术的进一步改进，在步骤S1中，将金属闷盖的正常表面作为正样本，将金属闷盖的缺陷表面作为负样本。作为本专利技术的进一步改进，缺陷类型包括刮痕、擦伤和污渍。作为本专利技术的进一步改进，所述步骤S2具体包括：采用labeImg软件对相机采集所需检测的金属闷盖表面的图像进行标注缺陷类型和缺陷区域，每一张图像在经过标注后获得相对应的XML标注文件，将标注过的图像和XML标注文件分别进行保存。作为本专利技术的进一步改进，所述步骤S2中的图像采集方式为：在置物台上，将金属闷盖保持检测面朝上并放置于置物台中心位置，在金属闷盖垂直上方设置光源并打出面结构光，将相机设置在金属闷盖的垂直上方拍摄采集图像。作为本专利技术的进一步改进，所述步骤S3中的改进的深度卷积网络为Yolov3网络，Yolov3网络由一系列1×1和3×3的卷积层组成的Darknet-53结构和多尺度边界框预测结构组成。作为本专利技术的进一步改进，所述Darknet-53结构由一系列的1×1和3×3的卷积层组成，每一个卷积层后都会跟一个BN层和一个LeakyReLU层，在Darknet-53中共有(2+1×2+1+2×2+1+8×2+1+8×2+1+4×2+1)53个卷积层。作为本专利技术的进一步改进，所述多尺度边界框预测结构是分别在52×52、26×26和13×13三个不同大小的特征层上进行边界框的预测。作为本专利技术的进一步改进，在三个不同大小的特征层上进行目标边界框的预测，分别通过(4+1+c)×k个大小为1×1的卷积核进行卷积预测，k为预设边界框的个数，k默认取3，c为预测目标的类别数，其中4k个参数负责预测目标边界框的偏移量，k个参数负责预测目标边界框内包含目标的概率，ck个参数负责预测这k个预设边界框对应c个目标类别的概率。本专利技术具有以下优点：本专利技术实施例提供的基于深度学习的金属闷盖表面的检测方法采用机器视觉替代人眼来做缺陷的检测和判断，首先从客观目标的图像中提取相关信息，再通过智能算法处理相关信息，并将最终的处理结果应用于实际产品的检测。本专利技术实施例提供的基于深度学习的金属闷盖表面的检测方法解决了传统的人工目力缺陷检测的检测速度慢、精度低的问题，还解决了其他传统缺陷检测的应用领域和生产场景受限的问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于深度学习的金属闷盖表面的检测方法的流程示意图；图2为图1所示实施例中的另一种表达方式的流程示意图；图3为闷盖表面缺陷类型及检测参数的示意图；图4为本专利技术实施例中所述的Yolov3模型网络结构示意图；图5为本专利技术实施例中所述的目标边界框预测的示意图。具体实施方式为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。如图1和图2所示，一种基于基于深度学习的金属闷盖表面的检测方法的流程示意图。在该实施例中，基于深度学习的金属闷盖表面的检测方法包括三个步骤，每个步骤的具体内容如下所示。步骤S1:分析金属闷盖的正常表面和金属闷盖的缺陷表面，并确定所需检测的金属闷盖表面的缺陷类型和缺陷特征。金属闷盖的表面为一个表面具有一定弧度的圆形零件。现代制造业对加工零件表面质量的要求越来越严格，表面质量的好坏不仅影响产品本身的外观形状，更有可能影响产品本身的功能。在该实施例步骤中，采用人工目力检测的方法挑选金属闷盖表面制作数据集，通过对比金属闷盖正常表面与有缺陷表面，将金属闷盖分为合格品与缺陷品，合格品即为正样本，缺陷品即为负样本，其中缺陷品表面有需要检测的各种缺陷。如图3所示，闷盖表面缺陷类型包括：刮痕、擦伤、污渍；参数包括“x、y、w、h”，x为预测边界框中心位置的横坐标，y为预测边界框中心位置的纵坐标，w为预测边界框的宽，h为预测边界框的高。步骤S2：采用相机采集所需检测的金属闷盖表面的图像，并对所述图像处理获得图像数据集。金属闷盖零件体积小，其表面缺陷大小不一，为了保证采集的图像质量达到检测要求，因此需要通过特定的数据采集方式获取闷盖表面图片。在该实施例中，定义一种基于工业相机的图像采集方式：在置物台上，将金属闷盖保持检测面朝上并放置于置物台中心位置，在金属闷盖垂直上方设置光源并打出面结构光，将相机设置在金属闷盖的垂直上方拍摄采集图像。采集的图像将会输入卷积神经网络进行训练，采用labeImg软件对相机采集所需检测的金属闷盖表面的图像进行标注缺陷类型和缺陷本文档来自技高网...

【技术保护点】
1.一种基于深度学习的金属闷盖表面缺陷的检测方法，其特征在于，所述检测方法包括：/n步骤S1:分析金属闷盖的正常表面和金属闷盖的缺陷表面，并确定所需检测的金属闷盖表面的缺陷类型和缺陷特征；/n步骤S2：采用相机采集所需检测的金属闷盖表面的图像，并对所述图像处理获得图像数据集；/n步骤S3：根据所述图像数据集构建金属闷盖表面缺陷的检测模型，采用改进的深度卷积网络提取所述图像的不同层次的特征，基于所述特征学习获得缺陷类型及范围检测模型，所述缺陷类型及范围检测模型可以检测出表面缺陷在图像中的位置。/n

【技术特征摘要】
1.一种基于深度学习的金属闷盖表面缺陷的检测方法，其特征在于，所述检测方法包括：
步骤S1:分析金属闷盖的正常表面和金属闷盖的缺陷表面，并确定所需检测的金属闷盖表面的缺陷类型和缺陷特征；
步骤S2：采用相机采集所需检测的金属闷盖表面的图像，并对所述图像处理获得图像数据集；
步骤S3：根据所述图像数据集构建金属闷盖表面缺陷的检测模型，采用改进的深度卷积网络提取所述图像的不同层次的特征，基于所述特征学习获得缺陷类型及范围检测模型，所述缺陷类型及范围检测模型可以检测出表面缺陷在图像中的位置。


2.根据权利要求1所述的一种基于深度学习的金属闷盖表面缺陷的检测方法，其特征在于，在步骤S1中，将金属闷盖的正常表面作为正样本，将金属闷盖的缺陷表面作为负样本。


3.根据权利要求1所述的一种基于深度学习的金属闷盖表面缺陷的检测方法，其特征在于，缺陷类型包括刮痕、擦伤和污渍。


4.根据权利要求1所述的一种基于深度学习的金属闷盖表面缺陷的检测方法，其特征在于，所述步骤S2具体包括：采用labeImg软件对相机采集所需检测的金属闷盖表面的图像进行标注缺陷类型和缺陷区域，每一张图像在经过标注后获得相对应的XML标注文件，将标注过的图像和XML标注文件分别进行保存。


5.根据权利要求1所述的一种基于深度学习的金属闷盖表面缺陷的检测方法，其特征在于，所述步骤S2中的图像采集方式为：在置物台上，将金属闷盖保持检测面朝上并放置于置物...

【专利技术属性】
技术研发人员：朱登明，王素琴，石敏，任琪，
申请(专利权)人：太仓中科信息技术研究院，
类型：发明
国别省市：江苏;32