基于深度神经网络的轮毂表面瑕疵在线检测方法及系统技术方案

本发明专利技术属于轮毂瑕疵检测技术领域，特别涉及一种基于深度神经网络的轮毂表面瑕疵在线检测方法及系统，该方法中包含：通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。本发明专利技术通过深度神经网络强大的特征提取能力来获取轮毂表面瑕疵的遮罩图像以及瑕疵的相应等级信息，降低劳动强度和工作量，提升效率，具有较好的应用价值。

【技术实现步骤摘要】
基于深度神经网络的轮毂表面瑕疵在线检测方法及系统
本专利技术属于轮毂瑕疵检测
，特别涉及一种基于深度神经网络的轮毂表面瑕疵在线检测方法及系统。
技术介绍
随着我国经济水平的不断提高，汽车的保有量越来越大。众所周知，轮毂是汽车上必备的组成部分之一，轮毂是轮胎内廓轮钢通过立柱连接的轮芯旋转部分，即支撑轮胎的中心装在轴上的金属部件。又叫轮圈、钢圈、轱辘、胎铃。目前市场上轮毂的主流材质是铝合金，铝合金轮毂的制造方法有三种：重力铸造、锻造、低压精密铸造。采用最多的是重力铸造法，重力铸造法是利用重力把铝合金溶液浇注到模具内，成形后经车床处理打磨，即可完成生产。制造过程较简单，不需精密的铸造工艺，成本低而生产效率高，但是容易产生气泡(砂眼)，密度不均匀，表面平滑度不够。另外，由于铝制品硬度减低，在铸造，运输过程中，很容易出现磕碰和划痕，也经常会出现轮毂表面被油污污染的情况。现有检测沙眼，磕碰等瑕疵主要依靠人工挑选。然而人工质检效率低下，并且受限于人的生理特性，质检准确率很低。特别是在轮毂质检比较严格的情况下，细小和轻微的磕碰，肉眼无法清晰的观察到，从而造成漏检。另外，单个摄像机的分辨率有限，无法单次呈现全局的细节特征。
技术实现思路
为此，本专利技术提供一种基于深度神经网络的轮毂表面瑕疵在线检测方法及系统，通过深度神经网络强大的特征提取能力来获取轮毂表面瑕疵的遮罩图像以及瑕疵的相应等级信息，降低劳动强度和工作量，提升效率。按照本专利技术所提供的设计方案，一种基于深度神经网络的轮毂表面瑕疵在线检测方法，包含如下内容：通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步的，利用检测台机械臂来固定用于拍摄的RGB相机，通过机械臂带动RGB相机到对应拍摄点位采集轮毂表面图像。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，机械臂前端设置有用于拍摄图像光照均匀的扇形光源；且，同一轮毂表面图像的采集中，每次拍摄均在相同的图像分辨率下进行。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，所述滤波器采用用于抑制低频信息的高通滤波器，预处理过程采用的滤波器表示为：其中，为冲激响应函数，D0表示截止频率，μ、ν分别表示频谱图上的横纵坐标。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，利用已训练优化的深度神经网络提取滤波后的图像特征；该已训练优化的深度神经网络包含：用于提取输入数据的彩色图像特征的瑕疵编码器，用于对彩色图像特征进行解码的瑕疵解码器，及用于获取轮毂瑕疵遮罩的单元模块。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，采用梯度下降方法对深度神经网络进行训练优化，并设置最大迭代次数或网路损失限制作为迭代终止条件。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，深度神经网络损失函数表示为：其中，i为训练集对应的索引，为预测值，yi为真实值，N为用于训练优化的样本数量。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，瑕疵等级预测模型包含：用于提取缺陷信息特征的缺陷等级信息编码器，和用于通过全连接操作来获取当前轮毂缺陷等级信息的全连接层。作为本专利技术基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，瑕疵等级预测模型采用交叉损失函数进行训练优化，其中，交叉损失函数表示为：其中，i为训练集对应的索引，yi为预测值，ti为目标值。进一步地，本专利技术还提供一种基于深度神经网络的轮毂表面瑕疵在线检测系统，包含：图像采集模块、图像处理模块和图像识别模块，其中，图像采集模块，用于通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；图像处理模块，用于利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；图像识别模块，用于利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。本专利技术的有益效果：本专利技术针对现有人工质检的效率和准确率低下等问题，利用深度神经网络强大的学习表征能力来作为轮毂瑕疵检测的预测模型，效果良好，鲁棒性强，对环境光照要求宽松，大大优于传统的机器学习方案；进一步为增强缺陷区域的特征，在常用摄像头的前提下，通过采用机械臂带动光源和摄像头动作，在固定点位拍照来优化图像采集方式，同时利用彩色相机采集的轮毂表面RGB信息，将缺陷区域的等级信息考虑在内，通过深度神经网络强大的特征提取能力，预测得到轮毂表面缺陷的等级信息，检测准确度高，具有较好的应用前景。附图说明：图1为实施例中轮毂表面瑕疵在线检测方法流程示意；图2为实施例中在线检测网络模型工作原理示意；图3为实施例中待检轮毂示意；图4为实施例中轮毂缺陷示意；图5为实施例中轮毂放大后的磕碰和划痕示意；图6为实施例中检测平台结构示意。具体实施方式：为使本专利技术的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本专利技术作进一步详细的说明。本专利技术实施例，参见图1所示，提供一种基于深度神经网络的轮毂表面瑕疵在线检测方法，包含如下内容：S101、通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；S102、利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；S103、利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。针对现有人工质检的效率和准确率低下等问题，利用深度神经网络强大的学习表征能力来作为轮毂瑕疵检测的预测模型，效果良好，鲁棒性强，降低轮毂缺陷检测误差，提升检测准确度，且对环境光照要求宽松，大大优于传统的机器学习方案。作为本专利技术实施例中基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步的，利用检测台机械臂来固定用于拍摄的RGB相机，通过机械臂带动RGB相机到对应拍摄点位采集轮毂表面图像。由于轮毂表面的沙眼、划痕等缺陷区域较小，若采用传统的拍摄方式，获取整个轮毂的表面图像，其成像效果无法展示出沙眼、划痕等缺陷的细节特征。因此，本案实施例可采用多次拍照的方式，每次拍照兼顾一部分轮毂区域，将整个轮毂分块处理，从而在相同的图像分辨率下，增大缺陷区域在整张图像的占比。另外，为了保证拍摄一致性，可进一步通过机械臂带动RGB相机到固定点位，并触发拍照，从而获取轮毂表面的RGB图像。作为本专利技术实施例中基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，机械臂前端设置有用于拍摄图像光照均匀的扇形光源；且，同一轮毂表面图像的采集中，每次拍摄均在相同的图像分辨率下进行。参见图6所示的检测平台结构，可将轮毂本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，包含如下内容：/n通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；/n利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；/n利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。/n

【技术特征摘要】
1.一种基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，包含如下内容：
通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；
利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；
利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。


2.根据权利要求1所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，利用检测台机械臂来固定用于拍摄的RGB相机，通过机械臂带动RGB相机到对应拍摄点位采集轮毂表面图像。


3.根据权利要求2所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，机械臂前端设置有用于拍摄图像光照均匀的扇形光源；且，同一轮毂表面图像的采集中，每次拍摄均在相同的图像分辨率下进行。


4.根据权利要求1所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，所述滤波器采用用于抑制低频信息的高通滤波器，预处理过程采用的滤波器表示为：其中，为冲激响应函数，D0表示截止频率，μ、ν分别表示频谱图上的横纵坐标。


5.根据权利要求1所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，利用已训练优化的深度神经网络提取滤波后的图像特征；该已训练优化的深度神经网络包含：用于提取输入数据的彩色图像特征的瑕疵编码器，用于对彩色图像特征进行解码的瑕疵解码器，及用于获取轮毂瑕疵遮罩的单元模块。
...

【专利技术属性】
技术研发人员：张晨民，李丙涛，栗芳，董海涛，刘涛，
申请(专利权)人：郑州金惠计算机系统工程有限公司，
类型：发明
国别省市：河南;41