一种基于深度学习的活塞表面缺陷检测方法及系统技术方案

本发明专利技术提供了一种基于深度学习的活塞表面缺陷检测方法及系统，属于活塞检测技术领域。本发明专利技术的检测方法将机器视觉与深度学习的神经网络结合进行活塞表面缺陷的检测，对于光洁面采用灰度图像处理算法进行缺陷检测，对于铸造面采用改进的FASTER‑RCNN深度学习的神经网络进行缺陷的检测；同时采用了多个相机和不同角度波段端光源在不同采图工位进行图像采集，达到最佳采图效果；对于高分辨率的图片进行分割处理，提高了对图片细节识别的准确度。本发明专利技术实现了对多种缺陷的高效准确的自动检测。

【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测装置，包括：电气柜、启动和停止按钮、水平台、遮光保护罩、光学成像装置、机械传动装置、图像处理装置和工作台，其特征在于：电气柜位于工作台的左侧，启动和停止按钮安装于靠近电气柜的一侧，遮光保护罩用铰链固定于工作台上，光学成像装置和机械传动装置通过紧固件固定在水平台上，水平台再通过紧固件固定在工作台上；机械传动装置启动后带动待检测主缸活塞转动，光学成像装置进行主缸活塞图像采集，在主缸活塞转动一周的过程中完成多幅图像的动态采集，并传给图像处理装置进行实时分析检测，并在显示器上显示活塞表面质量的检测结果，给出缺陷产品的缺陷类型，完成产品的分拣。该装置采用机器视觉对活塞表面进行检测，解决了依靠人工经验的不足，检测速度快。但是该装置仅使用一个相机，且LED做固定光源，不能实现活塞的多方位检测。在中国专利文献CN109523541A中，公开了一种基于视觉的金属表面细微缺陷检测方法，其包括以下步骤：S1、通过四点光源三维检测系统采集4幅不同光照角度的待测金属表面图像；S2、计算每幅图像对应的光源方向；S3、由梯度信息还原物体表面的曲率图像；S4、对曲率图像依次进行灰度变换、均值滤波的预处理操作；S5、用自动阈值分割法对预处理后的图像进行阈值分割；S6、通过面积特征剔除误判的像素点和可容忍的细微缺陷，判断产品是否存在缺陷；S7、提取缺陷的纹理特征，并通过模式识别对存在缺陷的产品进行分类。该方法使用图像识别技术，对采集到的图片进行灰度变换及均值滤波，提取缺陷的特征纹理，并能对缺陷进行分类。但该方法仅通过视觉对图像进行识别，对检测图像背景相对单一的场景进行传统2D算法处理，不能实现复杂图像背景的小目标缺陷检测。现有技术至少存在以下不足：1.仅可以检测部分缺陷，对于碰伤、沙眼和裂纹等缺陷无法精确检测。2.使用机器视觉进行检测，采用单个相机及固定的LED光源，采集的图片不够清晰。3.对于高分辨率的图片处理，未进行图片分割，导致无法识别细节，缺陷判断不准确。4.传统的Blob分析误判率较高，无法同时检测出不同缺陷。
技术实现思路
为解决现有技术中存在的技术问题，本专利技术提供了一种基于人工智能的活塞表面缺陷检测方法及系统。该方法将机器视觉与深度学习的神经网络结合进行活塞表面缺陷的检测，对于光洁面采用图像处理算法进行检测，对于铸造面采用深度学习的神经网络进行活塞表面缺陷的检测；同时采用了多个相机和不同角度波段端光源在不同采图工位进行图像采集，达到最佳采图效果；对于高分辨率的图片进行分割处理，提高了对图片细节识别的准确度。本专利技术实现了对多种缺陷的高效准确的自动检测。本专利技术提供了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。优选地，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。优选地，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。优选地，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。优选地，所述灰度图像算法对光洁面图像的处理分析具体包括：将相机采集的图像根据待检测区域分割出多个子图片；将多个子图片变换到频域，本文档来自技高网...

【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