一种基于深度学习的磁芯缺陷检测系统及方法技术方案

本发明专利技术公开一种基于深度学习的磁芯缺陷检测系统及方法，该方法中，首先采样模块对磁芯进行采样，将采样得到的图像经过预处理保存到数据库，然后对图像进行标注制作成数据集，接着进行训练，生成模型。将训练得到的模型导入实时检测模块，可以对生产线上的磁芯进行实时缺陷检测，外设分拣机构根据缺陷检测的结果对磁芯进行分拣。检测结束后，会将检测的结果包括相关缺陷指标进行统计分析，生成相应的检测报表。本发明专利技术基于深度学习和传统图像处理的算法检测精度更高；结合全监督和半监督两种训练模式，使得模型训练更加容易。并且集成采样，标注，训练，实时检测，智能分拣等一系列功能，系统集成度更高，可用性更强。可用性更强。可用性更强。

【技术实现步骤摘要】
一种基于深度学习的磁芯缺陷检测系统及方法


[0001]本专利技术涉及图像检测与识别领域，尤其涉及一种基于深度学习的目标检测与识别的磁芯缺陷检测方法。

技术介绍

[0002]工业产品的表面质量是产品质量的重要一环。但在实际的生产过程中，产品表面容易出现各种缺陷。针对此表面缺陷问题，目前，工业生产中对产品表面的缺陷检测一般采用人工检测的方法。人工长时间的工作会出现视觉疲劳，而且人的主观判断会影响缺陷的分类，因此存在效率低，成本高，检测精度低等诸多问题，不适用于大规模工业生产的要求。
[0003]磁芯是线圈变压器中常见的元器件。在实际生产或运输过程中，由于碰撞摩擦等原因，很容易对其表面造成损伤，产生斑点，划痕等缺陷，这不仅影响磁芯的完整度，而且对其性能也会造成很大的影响。
[0004]目前传统的磁芯缺陷检测方法是人工的方式进行分类难度大效率低，如何研制一款安全可靠、检测精度高，适用范围广的缺陷检测系统成为一个技术难题。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出一种基于深度学习的磁芯缺陷检测系统及方法，具体技术方案如下：
[0006]一种基于深度学习的磁芯缺陷检测系统，该系统包括：
[0007]采样模块，接收并实时展示布置在磁芯生产线上的多路工业相机采集的磁芯图像，并对磁芯图像依次进行灰度处理、去噪、二值化，然后提取出磁芯轮廓，再提取出ROI区域，并存入样本库中；
[0008]标注模块，对每个磁芯的ROI区域进行缺陷标注，得到每个磁芯对应的标注信息；
[0009]训练模块，内置深度神经网络模型，接收每个磁芯的ROI区域及对应的标注信息，并将这些信息导入所述深度神经网络模型中，进行训练，得到优化后的深度神经网络模型；
[0010]实时检测模块，接收采样模块实时采集的待检测磁芯的图像的ROI区域，并将其输入所述优化后的深度神经网络模型，得到磁芯的缺陷检测结果，并将磁芯的缺陷检测结果发送给对应的外设分拣装置，对磁芯进行分拣。
[0011]进一步地，所述实时检测模块还内置基于自适应阈值分割的图像处理算法，通过基于阈值的图像处理算法和优化后的深度神经网络模型同时对实时采集的待检测磁芯的图像的ROI区域进行检测，只要有一个结果显示磁芯有缺陷，则认定该磁芯为有缺陷磁芯。
[0012]进一步地，所述实时检测模块还能生成包括瑕疵品数量、瑕疵率、各类缺陷的数量和检测速度的磁芯检测报告，并将所有磁芯的检测结果存入数据库中；所述实时检测模块进行实时检测前设置的置信度阈值可调节；
[0013]所述检测系统还包括设置模块，用于对工业相机及其他模块的参数进行设置。
[0014]进一步地，所述标注模块将数据集保存成COCO、VOC或YOLO三种不同的格式；
[0015]所述训练模块内置全监督训练算法和半监督训练算法。
[0016]一种基于深度学习的磁芯缺陷检测方法，该方法基于上述的检测系统来实现，该方法包括如下步骤：
[0017]步骤一：布置在磁芯生产线上的传感器向多路工业相机发出采集信号，由多路工业相机采集磁芯图像；
[0018]步骤二：所述采样模块对所述多路工业相机采集的磁芯图像依次进行灰度处理、去噪、二值化，然后提取出磁芯轮廓，再提取出ROI区域，并存入样本库中；
[0019]步骤三：所述标注模块对每个磁芯的ROI区域进行缺陷标注，得到每个磁芯对应的标注信息；
[0020]步骤四：所述训练模块接收每个磁芯的ROI区域及对应的标注信息，并将这些信息导入所述深度神经网络模型中，进行训练，得到优化后的深度神经网络模型；
[0021]步骤五：所述实时检测模块接收采样模块实时采集的待检测磁芯的图像的ROI区域，并将其输入所述优化后的深度神经网络模型，得到磁芯的缺陷检测结果，并将磁芯的缺陷检测结果发送给对应的外设分拣装置，对磁芯进行分拣。
[0022]进一步地，所述步骤二通过如下的子步骤来实现：
[0023]步骤2.1：使用加权平均法对磁芯图像进行灰度处理，计算公式为：
[0024]gray(i，j)＝(R(i，j)+G(i，j)+B(i，j))/3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0025]其中，(i，j)是每个像素点的坐标，gray(i，j)为灰度化后每个像素的灰度值，R(i，j)、G(i，j)、B(i，j)为彩色图像的三通道值；
[0026]步骤2.2：使用3*3模板的中值滤波对步骤2.1得到的灰度图进行去噪，公式为：
[0027]g(x，y)＝med{f(x
‑
k，y
‑
l)，(k，l∈W)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0028]其中，f(x，y)，g(x，y)分别为原始图像和处理后图像；W为3*3的二维模板；
[0029]步骤2.3：对步骤2.2滤波后的图像用大津法进行二值化，计算公式为：
[0030]u＝w0*u0+w1*u1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0031]h＝w0*(u0
‑
u)2+w1*(u1
‑
u)2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0032]其中，u为图像的平均灰度，w0为前景像素点占整幅图像大小的比例，u0为前景像素点的平均值，w1为背景像素点占整幅图像大小的比例，u1为背景像素点的平均值，h为类间方差，使得h最大时的t即为分割的最佳阈值；
[0033]步骤2.4：对步骤2.3得到的二值图进行闭运算，用来减少内部轮廓，避免多次检测，公式为：
[0034][0035]其中，A为目标图像，B为结构元素；
[0036]步骤2.5：对步骤2.4处理后的二值图采用霍夫变换检测圆的方法提取出磁芯轮廓；
[0037]步骤2.6：遍历每一个轮廓，得到轮廓的最小外接矩形以及顶点坐标，然后利用顶点坐标将矩形分割，从而提取出ROI区域，并将其存入样本库中。
[0038]进一步地，所述步骤四中，训练模块选用半监督训练模式时的步骤如下：
[0039](1)输入标记数据集和未标记数据集，将标注数据集输入深度神经网络模型中训练得到分类器；
[0040](2)使用经过训练的分类器来预测所有未标记数据实例的类标签，按照置信度大于0.9，并且只有一个预测框的筛选标准进行筛选；
[0041](3)将通过筛选的预测样本打上伪类标，加入到标记训练集后，重新训练；
[0042](4)重复上步骤(1)～(3)，直到未标记数据集为空集或者模型损失不再降低，得到缺陷检测分类器。
[0043]进一步地，当数据库的数据增量到达设定阈值时，自动地触发训练模块的深度神经网络模型进行半监督训练；若新得到的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磁芯缺陷检测系统，其特征在于，该系统包括：采样模块，接收并实时展示布置在磁芯生产线上的多路工业相机采集的磁芯图像，并对磁芯图像依次进行灰度处理、去噪、二值化，然后提取出磁芯轮廓，再提取出ROI区域，并存入样本库中；标注模块，对每个磁芯的ROI区域进行缺陷标注，得到每个磁芯对应的标注信息；训练模块，内置深度神经网络模型，接收每个磁芯的ROI区域及对应的标注信息，并将这些信息导入所述深度神经网络模型中，进行训练，得到优化后的深度神经网络模型；实时检测模块，接收采样模块实时采集的待检测磁芯的图像的ROI区域，并将其输入所述优化后的深度神经网络模型，得到磁芯的缺陷检测结果，并将磁芯的缺陷检测结果发送给对应的外设分拣装置，对磁芯进行分拣。2.根据权利要求1所述的基于深度学习的磁芯缺陷检测系统，其特征在于，所述实时检测模块还内置基于自适应阈值分割的图像处理算法，通过基于阈值的图像处理算法和优化后的深度神经网络模型同时对实时采集的待检测磁芯的图像的ROI区域进行检测，只要有一个结果显示磁芯有缺陷，则认定该磁芯为有缺陷磁芯。3.根据权利要求1所述的基于深度学习的磁芯缺陷检测系统，其特征在于，所述实时检测模块还能生成包括瑕疵品数量、瑕疵率、各类缺陷的数量和检测速度的磁芯检测报告，并将所有磁芯的检测结果存入数据库中；所述实时检测模块进行实时检测前设置的置信度阈值可调节；所述检测系统还包括设置模块，用于对工业相机及其他模块的参数进行设置。4.根据权利要求1所述的基于深度学习的磁芯缺陷检测系统，其特征在于，所述标注模块将数据集保存成COCO、VOC或YOLO三种不同的格式；所述训练模块内置全监督训练算法和半监督训练算法。5.一种基于深度学习的磁芯缺陷检测方法，其特征在于，该方法基于上述任意一项权利要求的检测系统来实现，该方法包括如下步骤：步骤一：布置在磁芯生产线上的传感器向多路工业相机发出采集信号，由多路工业相机采集磁芯图像；步骤二：所述采样模块对所述多路工业相机采集的磁芯图像依次进行灰度处理、去噪、二值化，然后提取出磁芯轮廓，再提取出ROI区域，并存入样本库中；步骤三：所述标注模块对每个磁芯的ROI区域进行缺陷标注，得到每个磁芯对应的标注信息；步骤四：所述训练模块接收每个磁芯的ROI区域及对应的标注信息，并将这些信息导入所述深度神经网络模型中，进行训练，得到优化后的深度神经网络模型；步骤五：所述实时检测模块接收采样模块实时采集的待检测磁芯的图像的ROI区域，并将其输入所述优化后的深度神经网络模型，得到磁芯的缺陷检测结果，并将磁芯的缺陷检测结果发送给对应的外设分拣装置，对磁芯进行分拣。6.根据权利要求5所述的基于深度学习的磁芯缺陷检测方法，其特征在于，所述步骤二通过如下的子步骤来实现：步骤2.1：使用加权平均法对磁芯图像进行灰度处理，计算公式为：gray(i，j)＝(R(i，j)+G(i，j)+B(i，j))/3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中，(i，j)是每...

【专利技术属性】
技术研发人员：陈科宇，雷雅彧，刘鹏飞，翁扬凯，吴帅杰，王宪保，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：