一种用于磁簧开关的异物缺陷检测方法技术

本发明专利技术公开了一种用于磁簧开关的异物缺陷检测方法，涉及图像检测技术领域，主要包括步骤：获取待检测磁簧开关的采样图像，并通过簧片目标检测模型提取采样图像中簧片区域的目标图像；通过锚框优化后的多尺度目标检测模型进行目标图像内簧片接点内预设尺寸内异物缺陷检测；通过异物目标检测模型进行目标图像内簧片接点外预设尺寸外异物缺陷检测；根据检测出的异物缺陷进行基于形态学的误检滤除；根据异物缺陷检测结果，进行磁簧开关质检分类。本发明专利技术通过对数据集进行聚类得到优化后的锚框，提高了模型的学习效率，通过对YOLOv4进行改进，提高了模型对于小体积异物缺陷的检测效果，提高异物检出率，实现自动化工业生产中的缺陷检测，节省人力成本。节省人力成本。节省人力成本。

【技术实现步骤摘要】
一种用于磁簧开关的异物缺陷检测方法


[0001]本专利技术涉及图像检测
，具体涉及一种用于磁簧开关的异物缺陷检测方法。

技术介绍

[0002]缺陷检测是在磁簧开关生产过程中为保证产品质量的一个重要环节。表面含有缺陷的次品磁簧开关一旦流入市场，轻则影响用户体验，损害厂商信誉，重则酿成安全事故，造成不可挽回的严重后果。通过缺陷检测可以及时阻止不良品流入市场，并对产品质量的把控，还可以及时指出生产工艺或机器中需要改进的节点，形成生产与质量把控的闭环控制。
[0003]传统的缺陷检测方式主要依靠人工目视检测，然而由于磁簧管体积小、密闭性强等特点，质量检测工作人员往往需要通过显微镜才能对磁簧开关管元件进行肉眼检测。同时，人工目视检测存在检测精度不佳、检测结果主观性强、效率低下等缺点。因此传统的人工目视检测已经无法满足生产企业对高精度高速度缺陷检测的要求。
[0004]近年来，随着机器视觉技术的不断发展，将基于深度学习的目标检测技术应用于工业生产成为了各大厂家的研究热点。基于深度学习的目标检测算法在近年来取得许多重大突破。其中，R
‑
CNN算法是利用深度学习进行目标检测的开山之作，通过在输入图像上进行选择性搜索获得候选区域并通过神经网络中进行特征提取，再利用SVM对特征进行分类。SPP
‑
Net算法将特征金字塔池化引入特征提取网络以实现任意图像大小的输入。Fast R
‑
CNN算法通过先提取特征图再将候选区域在最后一层映射的方式，避免了特征的重复运算。Faster R
‑
CNN算法将特征提取、候选区域提取、边界框的位置回归和分类都结合到了一个统一网络，解决了计算瓶颈。同时，进行目标框类别和位置回归的单阶段检测器应运而生。YOLO算法开创性地将目标检测转化为单阶段的回归问题，采用一个统一网络同时进行边界框位置坐标和类别的回归，大大缓解了之前两阶段检测速度低下的问题。YOLOv2、YOLOv3和YOLOv4算法，通过设计更深更鲁棒的网络，并融入了一系列目标检测前沿的优化技巧，达到了检测精度和速度平衡的最优解。基于深度学习的目标检测技术可以自主学习缺陷特征，学习到的特征鲁棒性强、适应性高，因此检测精度高。并且检测速度快，可以实现实时处理。因此基于深度学习的目标检测在速度、精度、适应性等方面有很大的发展空间。
[0005]但是，目前工业生产中应用深度学习进行缺陷检测的研究较少，目前尚不存在针对磁簧开关管异物缺陷专门设计并优化的缺陷检测方法和系统。现有的一些通用目标检测算法应用在尺寸差异大、特征复杂的缺陷检测任务中性能不够理想。磁簧开关管异物缺陷检测任务存在诸多难点。首先异物缺陷尺寸差异大，并且大部分为小尺度目标。其次异物缺陷特征较单一，易与玻璃管壁污渍、簧片上压痕等良品样本混淆，容易造成大量误检。并且接点内异物和接点外异物对产品使用的危害程度差距较大，需要设置不同的检测标准，此外实际生产中对精度和速度的严苛要求也对检测方法的设计带来了更大的挑战。目前已有的目标检测模型在效率、鲁棒性等方面存在一定局限，不能在磁簧管缺陷检测任务中直接
应用。
[0006]因此，如何解决目前缺陷检测方法的不足，并构建出一套完整的系统和装置，来高效可靠地实现工业生产中的磁簧管异物缺陷检测，具有极高的研究价值和现实意义。

技术实现思路

[0007]针对弹簧开关生产过程中对于异物缺陷检测中存在的问题，本专利技术提出了一种用于磁簧开关的异物缺陷检测方法，包括步骤：
[0008]S1：获取待检测磁簧开关的采样图像，并通过簧片目标检测模型提取采样图像中簧片区域的目标图像；
[0009]S2：通过锚框优化后的多尺度目标检测模型进行目标图像内簧片接点内预设尺寸内异物缺陷检测，若检测到异物缺陷，进入步骤S5，否则进入步骤S3；
[0010]S3：通过异物目标检测模型进行目标图像内簧片接点外预设尺寸外异物缺陷检测，若检测到异物缺陷，进入步骤S4,若否，进入步骤S5；
[0011]S4：根据检测出的异物缺陷进行基于形态学的误检滤除；
[0012]S5：根据异物缺陷检测结果，进行磁簧开关质检分类。
[0013]进一步地，所述S2步骤中，多尺度目标检测模型基于YOLOv4模型构建，YOLOv4模型初始状态下包含依次连接的骨干网络、下采样层、颈部网络和头部网络，所述下采样层包括三个尺度的下采样层，分别为8倍下采样层、16倍下采样层和32倍下采样层；
[0014]所述多尺度目标检测模型在YOLOv4模型原有下采样层设置的基础上增设4倍下采样层这一尺度的下采样层，并在颈部网络和头部网络之间根据各下采样层的深度分别设置感受野增强模块。
[0015]进一步地，所述感受野增强模块用于通过将空洞卷积层与颈部网络输出的特征图进行级联来获得四个不同尺度感受野的特征图，并将四个特征图进行拼接获取感受野融合增强后的特征图。
[0016]进一步地，所述颈部网络中内含双向特征金字塔结构，用于通过其中的卷积层将四个尺度下采样层的输出进行融合；所述四个不同尺度感受野的特征图，其感受野分别为1
×
1、3
×
3、7
×
7、11
×
11。
[0017]进一步地，所述多尺度目标检测模型的训练方法为：
[0018]采集并标注磁簧开关处预设尺寸内异物缺陷的样本图像，并根据样本图像构建缺陷数据集；
[0019]基于缺陷数据集获取数据增强后的增广数据集；
[0020]根据增广数据集，通过K均值聚类算法提取预设排名内的聚类中心作为多尺度目标检测模型的锚框设定；
[0021]根据增广数据集和锚框设定对多尺度目标检测模型进行预设尺寸内异物缺陷检测的训练。
[0022]进一步地，所述数据增强包括图像变换处理、马赛克处理和复制粘贴处理。
[0023]进一步地，所述簧片目标检测模型和异物目标检测模型均基于YOLOv4模型构建，提取的目标图像大小为预设尺寸。
[0024]进一步地，所述S4步骤中，异物缺陷由检出框根据检测结果框选，对于异物缺陷的
滤除具体方法为：
[0025]S41：滤除检出框预设区域外的区域图像；
[0026]S42：将滤除后预设区域内的区域图像进行二值化以及平滑处理；
[0027]S43：判断处理后区域图像的前景比例是否大于预设阈值，若是，判断该异物缺陷检测无误，若否，判断该异物缺陷检测有误并滤除。
[0028]与现有技术相比，本专利技术至少含有以下有益效果：
[0029](1)本专利技术所述的一种用于磁簧开关的异物缺陷检测方法，通过对数据集进行聚类得到优化后的锚框，提高了模型的学习效率，通过对YOLOv4进行改进，提高了模型对于小体积异物缺陷的检测效果，提高异物检出率；
[0030](2)通过先检测簧片区域再检测簧片接点内预设尺寸内异物缺陷的二级检测结构，在检测初期就减少检测所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于磁簧开关的异物缺陷检测方法，其特征在于，包括步骤：S1：获取待检测磁簧开关的采样图像，并通过簧片目标检测模型提取采样图像中簧片区域的目标图像；S2：通过锚框优化后的多尺度目标检测模型进行目标图像内簧片接点内预设尺寸内异物缺陷检测，若检测到异物缺陷，进入步骤S5，否则进入步骤S3；S3：通过异物目标检测模型进行目标图像内簧片接点外预设尺寸外异物缺陷检测，若检测到异物缺陷，进入步骤S4,若否，进入步骤S5；S4：根据检测出的异物缺陷进行基于形态学的误检滤除；S5：根据异物缺陷检测结果，进行磁簧开关质检分类。2.如权利要求1所述的一种用于磁簧开关的异物缺陷检测方法，其特征在于，所述S2步骤中，多尺度目标检测模型基于YOLOv4模型构建，YOLOv4模型初始状态下包含依次连接的骨干网络、下采样层、颈部网络和头部网络，所述下采样层包括三个尺度的下采样层，分别为8倍下采样层、16倍下采样层和32倍下采样层；所述多尺度目标检测模型在YOLOv4模型原有下采样层设置的基础上增设4倍下采样层这一尺度的下采样层，并在颈部网络和头部网络之间根据各下采样层的深度分别设置感受野增强模块。3.如权利要求2所述的一种用于磁簧开关的异物缺陷检测方法，其特征在于，所述感受野增强模块用于通过将空洞卷积层与颈部网络输出的特征图进行级联来获得四个不同尺度感受野的特征图，并将四个特征图进行拼接获取感受野融合增强后的特征图。4.如权利要求3所述的一种用于磁簧开关的异物缺陷检测方法，其特征在于，所述颈部网络中内含双向特征金字塔结构，用于通过...

【专利技术属性】
技术研发人员：张重阳，李若琦，张保柱，刘振宇，
申请(专利权)人：宁波海棠信息技术有限公司，
类型：发明
国别省市：