一种基于LabVIEW深度学习的开关缺陷检测方法技术

本发明专利技术提供了一种基于LabVIEW深度学习的开关缺陷检测方法，包括：S1图像采集：获取待测开关图像；S2图像去噪：对待测图像进行滤波，获得去噪后图像；S3图像增强：对去噪后的图像进行图像增强；S4边缘检测：采用Sobel边缘检测算子，对图像中的缺陷进行识别，获取对缺陷进行边缘识别；S5识别分类：采用LabVIEW对边缘识别后的缺陷进行深度学习训练，获取缺陷信息。本发明专利技术利用图像采集、图像去噪、图像增强、边缘检测、识别分类，实现对多种开关缺陷的智能识别，替代人工检测识别过程，进而降低人工成本。进而降低人工成本。进而降低人工成本。

【技术实现步骤摘要】
一种基于LabVIEW深度学习的开关缺陷检测方法


[0001]本专利技术涉及一种视觉检测方法，特别是涉及一种基于LabVIEW深度学习的开关缺陷检测方法。

技术介绍

[0002]电子元器件的制造工艺、检测标准以及检测人员素质或检测设备的好坏直接决定出产的产品是否合格。在电子元器件生产加工过程中，需要经过复杂的工艺处理，在多重工序处理下，电子元器件表面不可避免会出现损伤，而这些将造成电子元器件的表面缺陷，近年来，器件集成度高，电子元器件更是以贴片为主要方向，而表面缺陷的检测工作一般依靠人工完成。
[0003]随着计算机技术，相机技术和数字图像处理技术的飞速发展，机器视觉技术也在发生着翻天覆地的变化，在现代制造业中发挥着不可替代的作用。在现代社会中，机器视觉技术在建筑、化妆品、金属加工、电子制造、包装、汽车制造制、药等各行各业中都得到了广泛的应用。例如，在医学领域，最典型的应用就是核磁共振图像，它可以利用一定的医疗器械显示人体内部的图像。在影视领域，我们经常看的3D电影就是机器视觉的一个重要分支
‑‑
虚拟现实。在工业生产中，机器视觉可以自动实现对产品缺陷的检测，极大地减少了人力物力，提高了生产效率。在无人驾驶领域，机器视觉技术可以检测周围复杂的情况，从而让汽车做出正确的判断。在识别领域，比如手机中的脸部识别和语音识别，都运用了机器视觉技术。通俗来说，机器视觉就是利用一定的机器设备来代替人的眼睛，从而实现观察、测量、理解、判断等一系列只有人可以完成的行为。传统的视觉算法受打光以及图像的边缘对比度影响，无法做到人眼的分辨效果，而且人具有学习能力，经过大量样本的学习，人就可以找到不同物体之间的细微差别，从而分辨出物体的类别。CNN就是模拟人的大脑神经元结构，用计算机构造的简化了的人脑神经网络模型，其主要用于图像分类和识别。
[0004]LabVIEW是一个广泛应用于工业自动化测控领域的编程平台，其具有很多不同行业的算法库，例如vision视觉库，集成了常用的视觉算法。其编程特点是上手快，开发效率高，兼容性强，能快速调用c++，c#等平台的dll类库。如何将LabVIEW与深度学习结合起来，来解决视觉行业越来越复杂的应用场景所遇到的困难。LabVIEW中有一个视觉开发模块(Vision Development Module)，不仅包含传统的机器视觉算法，还具有一个TensorFlow模型导入器，可以导入TensorFlow深度学习模型，轻松实现深度学习应用。
[0005]受环境、光照、生产工艺和噪声等多重因素影响，检测系统的信噪比一般较低，微弱信号难以检出或不能与噪声有效区分。如何构建稳定、可靠、鲁棒的检测系统，以适应光照变化、噪声以及其他外界不良环境的干扰，是要解决的问题之一。
[0006]2)由于检测对象多样、表面缺陷种类繁多、形态多样、复杂背景，对于众多缺陷类型产生的机理以及其外在表现形式之间的关系尚不明确，致使对缺陷的描述不充分，缺陷的特征提取有效性不高，缺陷目标分割困难；同时，很难找到“标准”图像作为参照，这给缺陷的检测和分类带来困难，造成识别率尚有待提高。
[0007]3)机器视觉表面缺陷检测，特别是在线检测，其特点是数据量庞大、冗余信息多、特征空间维度高，同时考虑到真正的机器视觉面对的对象和问题的多样性，从海量数据中提取有限缺陷信息的算法能力不足，实时性不高。
[0008]4)与机器视觉表面检测密切相关的人工智能理论虽然得到了很大的发展，但如何模拟人类大脑的信息处理功能去构建智能机器视觉系统还需要理论上的进一步研究，如何更好的基于生物视觉认识、指导机器视觉得检测也是研究人员的难点之一。
[0009]5)从机器视觉表面检测的准确性方面来看，尽管一系列优秀的算法不断出现，但在实际应用中准确率仍然与满足实际应用的需求尚有一定差距，如何解决准确识别与模糊特征之间、实时性与准确性之间的矛盾仍然是目前的难点。

技术实现思路

[0010]本专利技术提供了一种基于LabVIEW深度学习的开关缺陷检测方法，以至少对电控开关缺陷(如螺丝安装不到位等缺陷)检测的智能识别。
[0011]本专利技术提供了一种基于LabVIEW深度学习的开关缺陷检测方法，包括：
[0012]S1图像采集：获取待测开关图像；
[0013]S2图像去噪：对待测图像进行滤波，获得去噪后图像；
[0014]S3图像增强：对去噪后的图像进行图像增强；
[0015]S4边缘检测：采用Sobel边缘检测算子，对图像中的缺陷进行识别，获取对缺陷进行边缘识别；
[0016]S5识别分类：采用LabVIEW对边缘识别后的缺陷进行深度学习训练，获取缺陷信息。
[0017]进一步地，所述S2图像去噪中，滤波为中值滤波技术。
[0018]更进一步地，所述中值滤波技术为均值滤波、中值滤波、高斯滤波、双边滤波、小波滤波中的一种或多种。
[0019]进一步地，所述S3图像增强包括：
[0020]S301增强过程：采用Sin函数的非线性变换，对去噪后图像的灰度进行拉伸变换，对变换后图像进行分割，提取待测开关所在的目标区域。
[0021]更进一步地，所述S3图像增强还包括：
[0022]S302动态阈值分割过程：对S301所得结果，采用最小二乘法原理进行二值化分割，将图像的像素值按阈值T分为0C和1C，通过运算获得最小类内方差和最大类间方差，完成阈值的分割，实现动态阈值分割。
[0023]进一步地，所述S4边缘检测包括：
[0024]采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘。
[0025]更进一步地，所述采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘包括：
[0026]采用Sobel检测算子，对在二值化分割后的图像中使用3
×
3的卷积核，进行卷积运算，完成水平方向和垂直方向的偏导数的计算，根据一阶偏导数在边缘点处可以达到极值
的原理对图像中所含的缺陷边缘进行检测，获取缺陷边缘。
[0027]进一步地，所述S5识别分类包括：
[0028]S501采用卷积神经网络，利用卷积神经网络中的全连接层对图像中的特征进行提取；
[0029]S502采用Softmax分类器对特征进行识别，获得图像缺陷。
[0030]更进一步地，所述卷积神经网络包括模型单元；
[0031]所述模型单元的获取流程如下：
[0032]S601模型预训练：获取相关领域的挑战性图像，作为源域数据集，通过对源域数据集进行模型预训练，获得预训练模型；
[0033]S602模型迁移：在预训练模型上保留其卷积层和池化层的参数作为冻结层，改变预训练模型的全连接层和输入图像大小，以适应待测开关的输入需求和缺陷识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，包括：S1图像采集：获取待测开关图像；S2图像去噪：对待测图像进行滤波，获得去噪后图像；S3图像增强：对去噪后的图像进行图像增强；S4边缘检测：采用Sobel边缘检测算子，对图像中的缺陷进行识别，获取对缺陷进行边缘识别；S5识别分类：采用LabVIEW对边缘识别后的缺陷进行深度学习训练，获取缺陷信息。2.根据权利要求1所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S2图像去噪中，滤波为中值滤波技术。3.根据权利要求2所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述中值滤波技术为均值滤波、中值滤波、高斯滤波、双边滤波、小波滤波中的一种或多种。4.根据权利要求1所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S3图像增强包括：S301增强过程：采用Sin函数的非线性变换，对去噪后图像的灰度进行拉伸变换，对变换后图像进行分割，提取待测开关所在的目标区域。5.根据权利要求4所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S3图像增强还包括：S302动态阈值分割过程：对S301所得结果，采用最小二乘法原理进行二值化分割，将图像的像素值按阈值T分为0C和1C，通过运算获得最小类内方差和最大类间方差，完成阈值的分割，实现动态阈值分割。6.根据权利要求1所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S4边缘检测包括：采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘。7.根据权利要求6所述一种基于LabVIEW深度...

【专利技术属性】
技术研发人员：陈增标，张超，普清民，林亮中，余洪文，杨洪贵，
申请(专利权)人：中山职业技术学院，
类型：发明
国别省市：