轮毂缺陷检测方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及一种轮毂缺陷检测方法、装置、电子设备及存储介质，涉及车辆轮毂生产技术领域。该方法包括:获取第一轮毂图像；对所述第一轮毂图像进行切片，得到多个第一切片图像；将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果；其中，所述轮毂缺陷检测模型用于提取所述多个第一切片图像的特征，得到多个第一特征图像，并对所述多个第一特征图像进行超分辨率重建和预测，输出所述多个第一特征图像对应的轮毂缺陷检测结果。这样可以采用预先训练的轮毂缺陷检测模型代替人眼对第一轮毂图像进行检测，可以提高轮毂缺陷检测的准确率和效率。可以提高轮毂缺陷检测的准确率和效率。可以提高轮毂缺陷检测的准确率和效率。

【技术实现步骤摘要】
轮毂缺陷检测方法、装置、电子设备及存储介质


[0001]本申请涉及车辆轮毂生产
，尤其涉及一种轮毂缺陷检测方法、装置、电子设备及存储介质。

技术介绍

[0002]轮毂是车辆的重要零部件，轮毂质量是车辆安全行驶的重要指标之一。为保障车辆轮毂的质量，需要加强车辆轮毂的高质量生产。在轮毂生产过程中，避免缺陷轮毂流入市场，影响安全交通，需要对车辆轮毂的缺陷进行检测。目前轮毂检测方式是利用X射线对轮毂进行照射，在平板探测器上生成图像，并传输至上位机，上位机收到图像后显示在屏幕上，由检测人员通过肉眼对图像进行检测，判断轮毂是否存在缺陷。但由于汽车轮毂的缺陷如夹渣、裂纹、气孔、缩孔、缩松等属于小目标缺陷，往往是不容易被发现的，特别是人眼检测时，对于小目标缺陷可能出现漏检、误检等情况，因而现有的轮毂检测方式存在检测结果准确率和检测效率较低的问题。

技术实现思路

[0003]本申请提供了一种轮毂缺陷检测方法、装置、电子设备及存储介质，以解决现有的轮毂检测方式存在检测结果准确率和检测效率较低的问题。
[0004]第一方面，本申请提供了一种轮毂缺陷检测方法，所述方法包括:获取第一轮毂图像；对所述第一轮毂图像进行切片，得到多个第一切片图像；将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果；其中，所述轮毂缺陷检测模型用于提取所述多个第一切片图像的特征，得到多个第一特征图像，并对所述多个第一特征图像进行超分辨率重建和预测，输出所述多个第一特征图像对应的轮毂缺陷检测结果。
[0005]可选地，所述轮毂缺陷检测模型包括卷积神经网络、生成式对抗网络和反卷积单阶段检测器网络；所述将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果，包括：将所述多个第一切片图像输入所述卷积神经网络进行特征提取，输出所述多个第一特征图像；将所述多个第一特征图像输入所述生成式对抗网络进行超分辨率重建，输出多个第一中间图像，所述多个第一中间图像的分辨率高于所述多个第一特征图像的分辨率；将所述多个第一中间图像输入所述反卷积单阶段检测器网络进行预测，输出所述轮毂缺陷检测结果。
[0006]可选地，所述生成式对抗网络包括生成器和判别器，其中，所述生成器包括依次串
联的多个第一卷积层，所述判别器包括依次串联的多个第二卷积层；所述将所述多个第一特征图像输入所述生成式对抗网络进行超分辨率重建，得到多个第一中间图像，包括：将所述多个第一特征图像输入所述生成器进行卷积计算，生成多个样本图像；将所述多个样本图像和所述多个第一特征图像输入所述判别器进行卷积计算，并根据卷积计算结果判别第一样本图像属于特征图像的概率，其中，所述第一样本图像为所述多个样本图像中的任一图像；在满足预设条件的情况下，将所述第一样本图像作为第一中间图像；其中，所述预设条件为所述第一样本图像属于所述多个第一特征图像的概率等于预设阈值，或者当前判别次数达到预设次数。
[0007]可选地，所述卷积神经网络包括多个反卷积层和多个第三卷积层；所述将所述多个第一切片图像输入所述卷积神经网络进行特征提取，输出所述多个第一特征图像，包括：将所述多个第一切片图像依次输入所述多个反卷积层中的各反卷积层进行反卷积计算，输出多个第二中间图像；将所述多个第二中间图像依次输入所述多个第三卷积层中的各第三卷积层进行卷积计算，得到所述多个第一特征图像。
[0008]可选地，在所述将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果之后，所述方法还包括：调整所述第一轮毂图像的获取角度；和/或，将所述轮毂缺陷检测结果存储至预设数据库中。
[0009]可选地，在所述将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果之前，所述方法还包括:获取训练图像；将所述训练图像输入待训练模型进行训练，得到所述轮毂缺陷检测模型；其中，所述待训练模型包括卷积神经网络、生成式对抗网络和反卷积单阶段检测器网络。
[0010]可选地，所述获取训练图像包括：获取第二轮毂图像；对所述第二轮毂图像进行切片，得到多个第二切片图像；对所述多个第二切片图像进行数据增强处理，得到第一训练图像；基于预设的生成式对抗网络生成第二训练图像；其中，所述训练图像包括：所述第一训练图像和所述第二训练图像。
[0011]第二方面，本申请还提供了一种轮毂缺陷检测装置，所述装置包括:第一获取模块，用于获取第一轮毂图像；切片模块，用于对所述第一轮毂图像进行切片，得到多个第一切片图像；检测模块，用于将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果；其中，所述轮毂缺陷检测模型用于提取所述多个第一切片图像的特征，得到多个
第一特征图像，并对所述多个第一特征图像进行超分辨率重建和预测，输出所述多个第一特征图像对应的轮毂缺陷检测结果。
[0012]第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例所述的轮毂缺陷检测方法的步骤。
[0013]第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项实施例所述的轮毂缺陷检测方法的步骤。
[0014]在本申请实施例中，通过获取第一轮毂图像；对所述第一轮毂图像进行切片，得到多个第一切片图像；将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果；其中，所述轮毂缺陷检测模型用于提取所述多个第一切片图像的特征，得到多个第一特征图像，并对所述多个第一特征图像进行超分辨率重建和预测，输出所述多个第一特征图像对应的轮毂缺陷检测结果。通过这种方式，可以将获取到的第一轮毂图像切片成多个尺寸较小的第一切片图像，便于轮毂缺陷检测模型能够提取到第一切片图像上较小的缺陷的特征，从而提高轮毂缺陷检测的准确率。同时，采用预先训练的轮毂缺陷检测模型代替人眼对第一轮毂图像进行检测，可以提高轮毂缺陷检测的准确率和效率。
附图说明
[0015]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0016]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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本申请实施例提供的轮毂缺陷检测方法的流程示意图；图2为本申请实施例提供的轮毂缺陷检测系统的结构示意图；图3为本申请实施例提供的轮毂缺陷检测模型的结构示意图；图4为本申请实施例提供的生成式对抗网络的计算流程与结构的示意图；图5为本申请实施例提供的轮毂缺陷检测装置的结构示意图；图6为本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轮毂缺陷检测方法，其特征在于，所述方法包括:获取第一轮毂图像；对所述第一轮毂图像进行切片，得到多个第一切片图像；将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果；其中，所述轮毂缺陷检测模型用于提取所述多个第一切片图像的特征，得到多个第一特征图像，并对所述多个第一特征图像进行超分辨率重建和预测，输出所述多个第一特征图像对应的轮毂缺陷检测结果。2.根据权利要求1所述的方法，其特征在于，所述轮毂缺陷检测模型包括卷积神经网络、生成式对抗网络和反卷积单阶段检测器网络；所述将所述多个第一切片图像输入预先训练的轮毂缺陷检测模型中进行检测，输出轮毂缺陷检测结果，包括：将所述多个第一切片图像输入所述卷积神经网络进行特征提取，输出所述多个第一特征图像；将所述多个第一特征图像输入所述生成式对抗网络进行超分辨率重建，输出多个第一中间图像，所述多个第一中间图像的分辨率高于所述多个第一特征图像的分辨率；将所述多个第一中间图像输入所述反卷积单阶段检测器网络进行预测，输出所述轮毂缺陷检测结果。3.根据权利要求2所述的方法，其特征在于，所述生成式对抗网络包括生成器和判别器，其中，所述生成器包括依次串联的多个第一卷积层，所述判别器包括依次串联的多个第二卷积层；所述将所述多个第一特征图像输入所述生成式对抗网络进行超分辨率重建，得到多个第一中间图像，包括：将所述多个第一特征图像输入所述生成器进行卷积计算，生成多个样本图像；将所述多个样本图像和所述多个第一特征图像输入所述判别器进行卷积计算，并根据卷积计算结果判别第一样本图像属于特征图像的概率，其中，所述第一样本图像为所述多个样本图像中的任一图像；在满足预设条件的情况下，将所述第一样本图像作为第一中间图像；其中，所述预设条件为所述第一样本图像属于所述多个第一特征图像的概率等于预设阈值，或者当前判别次数达到预设次数。4.根据权利要求2所述的方法，其特征在于，所述卷积神经网络包括多个反卷积层和多个第三卷积层；所述将所述多个第一切片图像输入所述卷积神经网络进行特征提取，输出所述多个第一特征图像，包括：将所述多个第一切片图像依次输入所述多个反卷积层中的各反卷积层进行反卷积计算，输出多个第二...

【专利技术属性】
技术研发人员：陈彪，黄雪峰，熊海飞，
申请(专利权)人：深圳市信润富联数字科技有限公司，
类型：发明
国别省市：