基于人工智能的机械铸件缺陷检测方法及系统技术方案

本发明专利技术涉及机械零部件检测技术领域，具体涉及一种基于人工智能的机械铸件缺陷检测方法及系统。该方法包括：获取至少两个机械铸件初始图像；对该图像进行图像分割获取疑似裂纹缺陷区域图像；获取疑似裂纹缺陷区域图像的主成分方向，基于不同的主成分方向，确定各疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长；将各疑似裂纹缺陷区域图像输入卷积神经网络进行图像特征提取，最终输出该图像中的各个像素点属于裂纹缺陷的概率；基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测。极大地提升了网络训练的速度，并且在提高网络训练过程特征对比的细节的同时又提升了检测的准确度，进而提升了缺陷识别的效率。进而提升了缺陷识别的效率。进而提升了缺陷识别的效率。

【技术实现步骤摘要】
基于人工智能的机械铸件缺陷检测方法及系统


[0001]本专利技术涉及机械零部件检测
，具体涉及一种基于人工智能的机械铸件缺陷检测方法及系统。

技术介绍

[0002]制造行业对于机械铸件的工艺质量的要求十分严格，针对机械铸件缺陷检测的方法也有很多，对于一般铸件的检测大部分还停留人工检测的方式，通过人工肉眼检测不仅消耗人力和物力，并且存在检测效率低以及准确度不高的问题。
[0003]目前公开了利用神经网络的训练完成机械铸件缺陷的在线检测，但是神经网络的识别过程是对于整个图像进行识别，整个训练过程过于缓慢并且网络参数较多，虽然提高了检测的准确度但仍存在效率较低的问题。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的机械铸件缺陷检测方法及系统，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于人工智能的机械铸件缺陷检测方法，该方法包括以下步骤：获取至少两个机械铸件初始图像；对所述机械铸件初始图像进行图像分割，获取疑似裂纹缺陷区域图像；对所述疑似裂纹缺陷区域图像进行主成分分析，获取所述疑似裂纹缺陷区域图像的主成分方向，并基于各所述疑似裂纹缺陷区域图像不同的主成分方向，确定各所述疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长；将各所述疑似裂纹缺陷区域图像输入卷积神经网络，基于对应的卷积核尺寸和滑动步长，进行图像特征提取，最终输出所述疑似裂纹缺陷区域图像中的各个像素点属于裂纹缺陷的概率；基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测；其中，所述基于各所述疑似裂纹缺陷区域图像不同的主成分方向，确定各所述疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长的步骤，包括：设定三个角度范围，所述三个角度范围对应的目标方向分别为水平方向、垂直方向和目标斜度方向，所述目标斜度方向对应的角度为45
o
或135
o
方向；基于各所述疑似裂纹缺陷区域图像不同的主成分方向，获取各所述疑似裂纹缺陷区域图像的主成分方向所处的角度范围，并根据所处的角度范围，确定各所述疑似裂纹缺陷区域图像对应的目标方向；根据各所述疑似裂纹缺陷区域图像对应的目标方向，确定各所述疑似裂纹缺陷区域图像的卷积核尺寸和滑动步长，其中，当所述主成分方向为水平方向时，所述卷积核尺寸为，水平方向滑动步长为1，垂直方向滑动步长为2；当所述主成分方向为垂直方向时，
所述卷积核尺寸为，所述垂直方向滑动步长为1，所述水平方向滑动步长为2；当所述主成分方向为45
o
或135
o
方向时，所述卷积核尺寸为，所述水平方向滑动步长为1，所述垂直方向滑动步长为1。
[0005]优选的，所述对所述机械铸件初始图像进行图像分割，获取疑似裂纹缺陷区域图像的步骤，包括：获取所述初始图像中每个像素点的灰度级，对每个像素点的灰度级进行统计，以所述灰度级作为横坐标，灰度统计次数作为纵坐标，构成灰度分布曲线；选取灰度次数阈值直线对所述灰度分布曲线分割为上下两部分，获取处于所述会读此书阈值直线下方的各灰度统计次数对应的灰度级，将得到的灰度级对应的各像素点的位置作为疑似裂纹缺陷点，根据所述疑似裂纹缺陷点获取所述疑似裂纹缺陷区域图像。
[0006]优选的，所述对所述疑似裂纹缺陷区域图像进行主成分分析，获取所述疑似裂纹缺陷区域图像的主成分方向的步骤，包括：对所述疑似裂纹缺陷区域的每个所述像素点进行主成分分析，得到每个所述像素点的特征值；将每个所述像素点的特征值按照从大到小进行排序，并获取前预设个数的特征值，进而获取与所述前预设个数的特征值相对应的特征向量，得到所述疑似裂纹缺陷区域的特征向量；将各所述特征向量进行叠加，得到叠加后的向量方向，将所述叠加后的向量方向作为所述疑似裂纹缺陷区域图像的主成分方向。
[0007]优选的，所述基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测的步骤之前，所述方法还包括如下步骤：基于所述疑似裂纹缺陷区域图像中的各个像素点属于裂纹缺陷的概率，获取属于正常区域的像素点中，属于裂纹缺陷的概率大于或者等于预设概率阈值的像素点，得到初始像素点，所述预设概率阈值小于0.5，且所述预设概率阈值与0.5的误差值小于预设误差值；基于所述初始像素点属于裂纹缺陷的概率，以及所述疑似裂纹缺陷区域图像中与所述初始像素点相邻的像素点属于裂纹缺陷的概率，构建对比损失函数；获取所述初始像素点的饱和度，以及所述疑似裂纹缺陷区域图像中的缺陷区域的饱和度均值，进而构建监督网络损失函数；根据所述对比损失函数和监督网络损失函数，构建目标损失函数；根据所述目标损失函数，对缺陷增长预测网络进行训练；相应地，所述基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测的步骤之后，所述方法还包括：基于训练完成的缺陷增长预测网络，对机械铸件的缺陷区域进行缺陷增长预测。
[0008]优选的，所述对比损失函数具体为：其中，表示缺陷图像边缘像素点的裂纹缺陷概率；表示相邻缺陷图像边缘的初始像素点的裂纹缺陷概率。
[0009]优选的，所述监督网络损失函数具体为：其中，表示缺陷图像相邻初始像素点的饱和度；表示缺陷区域的饱和度均值。
[0010]优选的，所述目标损失函数具体为:其中，表示所述疑似裂纹缺陷区域图像中与所述初始像素点相邻的像素点的裂纹缺陷概率；表示初始像素点的裂纹缺陷概率；表示初始像素点的饱和度；表示所述疑似裂纹缺陷区域图像中的缺陷区域的饱和度均值。
[0011]第二方面，本专利技术另一个实施例提供了一种基于人工智能的机械铸件缺陷检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0012]本专利技术具有如下有益效果：通过对机械铸件初始图像进行图像分割，获取到疑似裂纹缺陷区域图像，然后对该疑似裂纹缺陷区域图像进行主成分分析获取不同的主成分方向，根据获得的不同的主成分方向制定不同的卷积核尺寸以及滑动步长，能够更好地提取在主成分方向上的缺陷特征之间的对比关系，准确区分出缺陷特征细节，提高卷积核提取有利于缺陷识别的特征的准确性，而且，采用多种不同尺寸以及滑动步长的卷积核能够有效提高图像的卷积速度，更快的提取到图像中的缺陷特征，更加精准的完成缺陷检测；将各个疑似裂纹缺陷区域图像输入卷积神经网络，基于其对应的卷积核尺寸对图像进行特征提取，以此对卷积网络进行训练；最后，基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测，由于网络的参数较少，所以极大地提升了网络训练的速度，并且在提高检测准确度的同时又提升了网络训练效率，进而提升了缺陷识别的效率。
附图说明
[0013]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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0014]图1为本专利技术一个实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的机械铸件缺陷检测方法，其特征在于，该方法包括以下步骤：获取至少两个机械铸件初始图像；对所述机械铸件初始图像进行图像分割，获取疑似裂纹缺陷区域图像；对所述疑似裂纹缺陷区域图像进行主成分分析，获取所述疑似裂纹缺陷区域图像的主成分方向，并基于各所述疑似裂纹缺陷区域图像不同的主成分方向，确定各所述疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长；将各所述疑似裂纹缺陷区域图像输入卷积神经网络，基于对应的卷积核尺寸和滑动步长，进行图像特征提取，最终输出所述疑似裂纹缺陷区域图像中的各个像素点属于裂纹缺陷的概率；基于训练完成的卷积神经网络，对机械铸件的缺陷进行检测；其中，所述基于各所述疑似裂纹缺陷区域图像不同的主成分方向，确定各所述疑似裂纹缺陷区域图像不同的卷积核尺寸和滑动步长的步骤，包括：设定三个角度范围，所述三个角度范围对应的目标方向分别为水平方向、垂直方向和目标斜度方向，所述目标斜度方向对应的角度为45
o
或135
o
方向；基于各所述疑似裂纹缺陷区域图像不同的主成分方向，获取各所述疑似裂纹缺陷区域图像的主成分方向所处的角度范围，并根据所处的角度范围，确定各所述疑似裂纹缺陷区域图像对应的目标方向；根据各所述疑似裂纹缺陷区域图像对应的目标方向，确定各所述疑似裂纹缺陷区域图像的卷积核尺寸和滑动步长，其中，当所述主成分方向为水平方向时，所述卷积核尺寸为，水平方向滑动步长为1，垂直方向滑动步长为2；当所述主成分方向为垂直方向时，所述卷积核尺寸为，所述垂直方向滑动步长为1，所述水平方向滑动步长为2；当所述主成分方向为45
o
或135
o
方向时，所述卷积核尺寸为，所述水平方向滑动步长为1，所述垂直方向滑动步长为1。2.根据权利要求1所述的方法，其特征在于，所述对所述机械铸件初始图像进行图像分割，获取疑似裂纹缺陷区域图像的步骤，包括：获取所述初始图像中每个像素点的灰度级，对每个像素点的灰度级进行统计，以所述灰度级作为横坐标，灰度统计次数作为纵坐标，构成灰度分布曲线；选取灰度次数阈值直线对所述灰度分布曲线分割为上下两部分，获取处于所述灰度次数阈值直线下方的各灰度统计次数对应的灰度级，将得到的灰度级对应的各像素点的位置作为疑似裂纹缺陷点，根据所述疑似裂纹缺陷点获取所述疑似裂纹缺陷区域图像。3.根据权利要求1所述的方法，其特征在于，所述对所述疑似裂纹缺陷区域图像进行主成分分析，...

【专利技术属性】
技术研发人员：徐玲雅，戴凤，
申请(专利权)人：海门市创睿机械有限公司，
类型：发明
国别省市：