【技术实现步骤摘要】
一种基于深度学习的活塞表面缺陷检测方法及系统
本专利技术涉及活塞缺陷检测
,尤其涉及一种基于深度学习的活塞表面缺陷检测方法及系统。
技术介绍
目前国内外活塞缺陷检测大都是采用人工方法完成,活塞产品在人工检验过程中存在漏检、误检和效率低等问题,检测效率和准确率得不到保证。随着传统机器视觉算法在活塞检测中的应用,活塞检测只依靠人工的现象得到了改变,传统机器视觉算法是能用于检测活塞油孔漏、油孔铝屑缺陷;活塞环岸镶圈本体缺陷、清洗、检验碰伤、石墨、裙部砂眼、环岸砂眼、镶圈气泡、无镶圈、镶圈位置(360°全方位检查)、表面碰伤(机)、表面处理磕碰伤、石墨偏±1.5mm、环槽铝屑、裙部裂纹等缺陷,对于其他缺陷,还是无法做到精确检测,比如活塞顶部检验碰伤、顶面拉伤、顶面砂眼、毛坯碰伤、冷隔(顶部)、表面碰伤(机)、裂纹(宽度>0.3mm)、对称度(像素点)、粘铝等缺陷;面孔披锋、毛坯碰伤、表面处理磕碰伤、冷隔、粘铝等缺陷;销孔划伤、销孔缺陷、精镗销孔(刀丝)、卡簧槽铝屑、卡簧槽同轴度偏差(>0.5mm)等缺陷;底部裂纹(内顶微裂纹)缺陷;侧边凹槽检验碰伤、毛坯碰伤、表面处理磕碰伤、油孔毛刺、夹杂、冷隔、粘铝、铝屑等缺陷;内腔底部和上部毛坯碰伤、表面处理磕碰伤、夹杂、粘铝等缺陷;内腔销孔侧面毛坯碰伤、表面处理磕碰伤、夹杂、粘铝、披锋等缺陷;内腔裙部侧面毛坯碰伤、表面处理磕碰伤、夹杂、粘铝、披锋、油孔毛刺等缺陷。在中国专利申请文献CN102890093A中,公开了一种汽车刹车主缸活塞表面质量机器视觉检 ...
【技术保护点】
1.一种基于深度学习的活塞表面缺陷检测方法,包括如下步骤:/n多个相机分别采集各自工位上活塞的多个原始图像样本;/n根据相机编号确定图像属于光洁面还是铸造面,对于光洁面和铸造面采用不同的检测方法:/n如果是光洁面图像,/n采用灰度图像算法进行处理分析,得到样本缺陷特征检测结果;/n如果是铸造面图像,采用改进的FASTER-RCNN深度学习算法进行处理分析,执行如下操作:/n对原始图像样本进行数据处理,去掉无效数据并进行数据扩充;/n将处理过的原始图像样本输入改进的FASTER-RCNN深度学习网络模型进行训练,得到训练好的FASTER-RCNN网络参数;/n将实时采集的图像样本输入训练好的改进的FASTER-RCNN深度学习网络模型进行缺陷检测,得到样本缺陷特征检测结果;/n根据样本缺陷特征结果,对不合格活塞进行剔除;/n对不合格活塞绘制和显示图像感兴趣区域ROI矩形。/n
【技术特征摘要】
1.一种基于深度学习的活塞表面缺陷检测方法,包括如下步骤:
多个相机分别采集各自工位上活塞的多个原始图像样本;
根据相机编号确定图像属于光洁面还是铸造面,对于光洁面和铸造面采用不同的检测方法:
如果是光洁面图像,
采用灰度图像算法进行处理分析,得到样本缺陷特征检测结果;
如果是铸造面图像,采用改进的FASTER-RCNN深度学习算法进行处理分析,执行如下操作:
对原始图像样本进行数据处理,去掉无效数据并进行数据扩充;
将处理过的原始图像样本输入改进的FASTER-RCNN深度学习网络模型进行训练,得到训练好的FASTER-RCNN网络参数;
将实时采集的图像样本输入训练好的改进的FASTER-RCNN深度学习网络模型进行缺陷检测,得到样本缺陷特征检测结果;
根据样本缺陷特征结果,对不合格活塞进行剔除;
对不合格活塞绘制和显示图像感兴趣区域ROI矩形。
2.根据权利要求1所述的活塞表面缺陷检测方法,其特征在于,对铸造面的所述原始图像样本进行数据处理,具体包括:
去掉无效图片,所述无效图片为全黑或不全的图片;
对具有对称性的图片去掉重复内容;
对原始图像样本进行曝光和旋转处理,进行数据扩充。
3.根据权利要求1所述的活塞表面缺陷检测方法,其特征在于,对所述改进的FASTER-RCNN深度学习网络模型的训练过程,具体包括:
将扩充后的数据图像样本输入FASTER-RCNN网络模型,调整所述改进的FASTER-RCNN深度学习网络模型的锚框Anchor参数;
采用聚类的方法,将已标注某一工位的缺陷样本进行聚类,得到符合该工位检测的锚框scale和ratio,进行迭代;
所述改进的FASTER-RCNN深度学习网络模型的损失函数包括分别用于分类损失和回归损失的交叉熵损失函数和Smooth1L1损失函数;
分类损失和回归损失分别采用不同权重系数;
当采用标准图像样本检测结果误差率在预设范围内时,结束改进的FASTER-RCNN深度学习网络模型的训练;
保存训练好的改进的FASTER-RCNN深度学习网络模型。
4.根据权利要求1所述的活塞表面缺陷检测方法,其特征在于,采用训练好的改进的FASTER-RCNN深度学习网络模型进行缺陷检测,得到样本缺陷特征检测结果,具体包括:
将实时采集的图像样本输入训练好的改进的FASTER-RCNN深度学习网络模型;
采用改进的FASTER-RCNN深度学习网络模型判断图像样本是否有缺陷:
若有缺陷,
根据相机编号对缺陷进行定位;
对缺陷进行分类;
将缺陷定位和分类结果在图像上进行显示,得到样本缺陷特征检测结果;
若没有缺陷,则检测结束。
5.根据权利要求1所述的活塞表面缺陷检测方法,其特征在于,所述灰度图像算法对光洁面图像的处理分析具体包括:
将...
【专利技术属性】
技术研发人员:杨光,于普鹤,余章卫,孙浩楠,周豪,陆峥岩,黄德奔,周洲,
申请(专利权)人:苏州中科全象智能科技有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。