一种基于深度学习的橡胶密封圈缺陷检测方法技术

一种基于深度学习的橡胶密封圈缺陷检测方法，包括以下步骤：采集图像数据并进行标注及缺陷类别定义处理，形成训练图像数据库、验证图像数据库和测试图像数据库；建立模型框架，利用模型框架对训练图像数据库进行训练；利用验证图像数据库和测试图像数据库进行验证和测试，若达不到设定值，返回步骤S2重新训练，若达到设定值，得到预测模型；将预测模型的输出结果进行测试并反馈剔除机构，若输出结果准确率低于阈值，返回步骤S1重新获取，若输出结果准确率达到阈值进行投入使用；本发明专利技术能够集中化、高效率的完成橡胶密封圈的检测工作，大大减少劳动强度，还具有广泛的适用性。还具有广泛的适用性。还具有广泛的适用性。

【技术实现步骤摘要】
一种基于深度学习的橡胶密封圈缺陷检测方法


[0001]本专利技术涉及自动化视觉检测
，特别是涉及一种基于深度学习的橡胶密封圈缺陷检测方法。

技术介绍

[0002]橡胶密封圈作为一种重要的工业用品，已经是多个行业的基础零部件。橡胶密封圈具备防水、防油、防气、减震等功能，其质量的好坏直接影响到产品的性能和使用寿命，甚至威胁人身财产安全。在所有橡胶圈中，使用最多的为O型橡胶密封圈，其几何形状简单、生产方便、成本低廉，但由于生产技术水平的限制，所生产的橡胶密封圈均会存在一些缺陷，比如尺寸不一、切割不平、表面破损、凹槽等，这些缺陷会直接影响到密封圈的性能，同时也会造成安全问题，给使用客户和生产企业造成巨大的经济损失，因此密封圈出厂前和使用前都必须进行严格的检测。
[0003]针对密封圈的上述缺陷检测，目前采用的只是检测毛边缺口等缺陷，极少有检测橡胶密封圈表面破损、凹槽、划痕等相关缺陷的技术，以往通常采用目测法对密封圈进行缺陷检测，通过找到可疑缺陷区域后进一步借助于显微镜等进行复查，这样的检测方法对人的体力提出较高要求，容易出现眼睛疲劳等，而利用目测法来检测相关缺陷则存在较差的稳定性及效率低等问题。

技术实现思路

[0004]本专利技术目的就是针对现有技术中的不足，提供一种基于深度学习的橡胶密封圈缺陷检测方法，解决现有技术利用人工检测所造成的检测压力大、眼睛易疲劳及目测法存在稳定性差及效率低等问题。为实现以上目的，本专利技术通过以下技术方案予以实现：
[0005]一种基于深度学习的橡胶密封圈缺陷检测方法，包括以下步骤：
[0006]S1、采集开模后的橡胶密封圈图像数据并进行标注及缺陷类别定义处理，形成训练图像数据库、验证图像数据库和测试图像数据库；
[0007]S2、建立基于深度学习模型的模型框架，利用模型框架对训练图像数据库进行训练；
[0008]S3、利用验证图像数据库和测试图像数据库对训练之后的训练图像数据库进行验证和测试，若验证结果或测试结果达不到设定值，返回步骤S2重新进行训练过程；若验证结果或测试结果达到设定值，得到预测模型；
[0009]S4、将预测模型的输出结果进行现场测试并反馈给橡胶密封圈的剔除机构；若预测模型的输出结果准确率低于阈值，重新返回步骤S1进行预测模型的获取，若预测模型的输出结果准确率达到阈值，将预测模型进行投入使用。
[0010]优选的，所述步骤S1的具体实施方式为：利用工业相机采集开模后的橡胶密封圈的图像数据，利用labelImg软件对采集到的橡胶密封圈图像数据进行标注和缺陷类别定义处理获得xml文件，对标注和缺陷类别定义处理之后的图像数据xml文件进行分类，形成训
练图像数据库、验证图像数据库和测试图像数据库，并生成与训练图像数据库、验证图像数据库和测试图像数据库三者所对应数据库中包含图像文件名的文本train.txt、val.txt及test.txt。
[0011]优选的，所述训练图像数据库、验证图像数据库和测试图像数据库中的图像个数比例为7：2：1或6:2:2。
[0012]优选的，所述步骤S2中的深度学习模型包括主分支网络、预测分支网络和修正分支网络；所述深度学习模型采用RepPointsV2模型，所述主分支网络为anchor
‑
free目标预测模型。
[0013]优选的，所述主分支网络包括特征提取部分和定位部分，所述预测分支网络和修正分支网络嵌入在特征提取部分和定位部分之间。
[0014]优选的，所述深度学习模型的损失函数为L＝L
RepPoints
+λ1L
corner
+λ2L
foreground
，其中，L
RepPoints
表示主分支网络的损失函数，L
corner
表示修正分支的损失函数，L
foreground
表示预测分支的损失函数；λ1和λ2表示设置的损失函数系数。
[0015]本专利技术的有益效果：
[0016]1、本专利技术的检测方法可解决橡胶密封圈检测效率低稳定性差等问题，提高密封圈产品质量，为企业降低人工成本，并且采用非接触式检测进行橡胶密封圈的缺陷检测，避免了工作环境中刺激性气味、高温等对人员带来的身体伤害，实现在线检测，提高橡胶密封圈的生产效益。
[0017]2、传统橡胶密封圈检测采用人工目视检测，误检率较高且效率低下，在开模后温度较高气味较重，本专利技术检测方法通过深度学习进行训练识别有缺陷的橡胶密封圈，之后对缺陷的产品进行自动剔除，整个装置能够集中化、高效率的完成橡胶密封圈的检测工作，大大减少劳动强度；
[0018]3、本专利技术方法中的预测模型较一般的回归预测模型，添加了预测分支和修正分支，使得模型识别更加精准，回归更有效，并且适用于连续目标变量；通过多任务学习获得更好的功能，通过包含验证提示来增强功能以及通过两种方法进行联合推理，故检测精度更加好。
[0019]4、本专利技术方法中采用anchor
‑
free目标预测模型作为主分支网络，能够达到比anchor
‑
based的目标检测算法更好的识别精度，并且求解回归问题比求解验证问题效率更高；并可以改进FCOS等回归检测器，从而应用到更多的其它模型上协助推理出更好的模型精度，具有广泛的适用性。
附图说明
[0020]图1为本专利技术方法的流程示意图；
[0021]图2为本专利技术主分支网格的定位部位结构示意图。
具体实施方式
[0022]下面，结合附图以及具体实施方式，对本专利技术做进一步描述：
[0023]实施例1：
[0024]如图1至图2所示，一种基于深度学习的橡胶密封圈缺陷检测方法，包括以下步骤：
[0025]S1、采集开模后的橡胶密封圈图像数据并进行标注及缺陷类别定义处理，形成训练图像数据库、验证图像数据库和测试图像数据库。
[0026]其中，上述步骤S1的具体实施方式为：利用工业相机采集开模后的橡胶密封圈的图像数据，利用labelImg软件对采集到的橡胶密封圈图像数据进行标注和缺陷类别定义处理获得xml文件，对标注和缺陷类别定义处理之后的图像数据xml文件进行分类，形成训练图像数据库、验证图像数据库和测试图像数据库，并生成与训练图像数据库、验证图像数据库和测试图像数据库三者所对应数据库中包含图像文件名的文本train.txt、val.txt及test.txt，优选的，训练图像数据库、验证图像数据库和测试图像数据库中的图像个数比例需设置为7：2：1或6:2:2。特别的，本专利技术上述步骤S1中的分类采用随机分类方法对训练图像数据库、验证图像数据库和测试图像数据库进行分类，且每个数据库中的图像都包含标注和类别。
[0027]S2、建立基于深度学习模型的模型框架，利用模型框架对训练图像数据库进行训练。
[0028]上述步骤S2中的深度学习模型包括主分支网络、预测分支网络和修正分支网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，包括以下步骤：S1、采集开模后的橡胶密封圈图像数据并进行标注及缺陷类别定义处理，形成训练图像数据库、验证图像数据库和测试图像数据库；S2、建立基于深度学习模型的模型框架，利用模型框架对训练图像数据库进行训练；S3、利用验证图像数据库和测试图像数据库对训练之后的训练图像数据库进行验证和测试，若验证结果或测试结果达不到设定值，返回步骤S2重新进行训练过程；若验证结果或测试结果达到设定值，得到预测模型；S4、将预测模型的输出结果进行现场测试并反馈给橡胶密封圈的剔除机构；若预测模型的输出结果准确率低于阈值，重新返回步骤S1进行预测模型的获取，若预测模型的输出结果准确率达到阈值，将预测模型进行投入使用。2.根据权利要求1所述的一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，所述步骤S1的具体实施方式为：利用工业相机采集开模后的橡胶密封圈的图像数据，利用labelImg软件对采集到的橡胶密封圈图像数据进行标注和缺陷类别定义处理获得xml文件，对标注和缺陷类别定义处理之后的图像数据xml文件进行分类，形成训练图像数据库、验证图像数据库和测试图像数据库，并生成与训练图像数据库、验证图像数据库和测试图像数据库三者所对应数据库中包含图像文件名的文本train.txt、val.txt及test.txt。...

【专利技术属性】
技术研发人员：杨海东，李泽辉，王华龙，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
类型：发明
国别省市：