一种基于机器视觉的电机磁瓦表面缺陷检测方法技术

本发明专利技术涉及电机故障检测技术领域，尤其涉及一种基于机器视觉的电机磁瓦表面缺陷检测方法，通过配合高斯随机光照生成器对输入张量进行随机光照叠加，以生成光照不平衡图像参与模型训练，以达到提升电机磁瓦缺陷分类模型的整体性能的目的，同时采用了等像素亮度区间划分算法，通过对图像动态计算各亮度区间的像素，进行等量分割，然后通过K最近邻算法对游离点进行聚类，完成图层划分，最后并通过BP神经网络对各图层亮度进行校正，最后通过训练好的分类模型对待检测电机磁瓦表面灰度图进行检测分类，解决了现有的深度卷积神经网络对光照不平衡图像鲁棒性低、泛化性较弱的技术问题。泛化性较弱的技术问题。泛化性较弱的技术问题。

【技术实现步骤摘要】
一种基于机器视觉的电机磁瓦表面缺陷检测方法


[0001]本专利技术涉及电机故障检测
，尤其涉及一种基于机器视觉的电机磁瓦表面缺陷检测方法。

技术介绍

[0002]磁瓦作电机定子是电机的核心部件，现代电机磁瓦生产流程当中，需要对电机磁瓦进行缺陷检测与分类，以确保产品质量。对于电机磁瓦的表面缺陷来说，磁瓦本身为具有复杂的背景，而这种复杂背景会导致图像梯度发生突变，进而使传统图像处理算法难以完成特征提取。
[0003]在工业检测当中，由于机械振动等原因，元件会跟光源点产生一定的偏移，而光照不平衡的现象的存在使得图像梯度特征变得不明显，进而使得模型无法准确地提取磁瓦图像的表面特征，并且，同一被测物体在不同的位置会与光源点形成不同的偏移量，进而使得同一个图像、在不同光照下会存在不同的纹理特征。最终导致模型分类性能下降和鲁棒性减弱。

技术实现思路

[0004]本专利技术的目的在于提供一种基于机器视觉的电机磁瓦表面缺陷检测方法，旨在解决现有的深度卷积神经网络对光照不平衡图像鲁棒性低、泛化性较弱的技术问题。
[0005]为实现上述目的，本专利技术提供了一种基于机器视觉的电机磁瓦表面缺陷检测方法，包括下列步骤：
[0006]构建EfficientNet
‑
GC模型；
[0007]获取电机磁瓦分类训练样本集；
[0008]利用所述分类训练样本集训练所述EfficientNet
‑
GC模型，获得训练好的分类模型；
[0009]将待检测电机磁瓦的电机磁瓦表面灰度图所述训练好的分类模型，获得待检测电机磁瓦的类别标签。
[0010]其中，所述EfficientNet
‑
GC模型由高斯随机光照生成器、等像素亮度区间划分算法、校正网络和EfficientNetV2构成，高斯随机光照生成器负责叠加随机光照生成光照不平衡图像，等像素亮度区间划分算法将光照不平衡图像划分为8个等像素量的图层，校正网络负责光照校正，EfficientNetV2完成缺陷分类。
[0011]其中，所述高斯随机光照生成器包括输入通道和计算光照图通道，所述输入通道和所述计算光照图通道的输出满足Retinex理论。
[0012]其中，所述等像素亮度区间划分算法包括数据预处理、图层分割和游离点聚类，通过对图像动态计算各亮度区间的像素，再进行等量分割，然后通过K最近邻算法对游离点进行聚类，最后完成图层划分。
[0013]其中，校正网络进行光照校正的过程，具体为将所述等像素亮度区间划分算法获
取的尺寸为128
×
128
×
8的输入张量校正叠加后恢复到尺寸128
×
128
×
1。
[0014]其中，EfficientNetV2为具有自适应正则化的渐进式学习能力的卷积神经网络模型。
[0015]其中，所述分类训练样本集的每个训练样本包括电机磁瓦表面灰度图和对应的类别标签。
[0016]本专利技术提供了一种基于机器视觉的电机磁瓦表面缺陷检测方法，通过配合高斯随机光照生成器对输入张量进行随机光照叠加，以生成光照不平衡图像参与模型训练，以达到提升电机磁瓦缺陷分类模型的整体性能的目的，同时采用了等像素亮度区间划分算法，通过对图像动态计算各亮度区间的像素，进行等量分割，然后通过K最近邻算法对游离点进行聚类，完成图层划分，最后并通过BP神经网络对各图层亮度进行校正，最后通过训练好的分类模型对待检测电机磁瓦表面灰度图进行检测分类，解决了现有的深度卷积神经网络对光照不平衡图像鲁棒性低、泛化性较弱的技术问题。
附图说明
[0017]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，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他的附图。
[0018]图1是本专利技术的一种基于机器视觉的电机磁瓦表面缺陷检测方法的流程示意图。
[0019]图2是本专利技术的EfficientNet
‑
GC模型的结构示意图。
[0020]图3是本专利技术的高斯随机光照生成器的结构示意图。
[0021]图4是本专利技术的校正网络的结构示意图。
具体实施方式
[0022]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0023]请参阅图1，本专利技术提出了一种基于机器视觉的电机磁瓦表面缺陷检测方法，包括下列步骤：
[0024]S1：构建EfficientNet
‑
GC模型；
[0025]S2：获取电机磁瓦分类训练样本集；
[0026]S3：利用所述分类训练样本集训练所述EfficientNet
‑
GC模型，获得训练好的分类模型；
[0027]S4：将待检测电机磁瓦的电机磁瓦表面灰度图所述训练好的分类模型，获得待检测电机磁瓦的类别标签。
[0028]所述EfficientNet
‑
GC模型由高斯随机光照生成器、等像素亮度区间划分算法、校正网络和EfficientNetV2构成，高斯随机光照生成器负责叠加随机光照生成光照不平衡图像，等像素亮度区间划分算法将光照不平衡图像划分为8个等像素量的图层，校正网络负责光照校正，EfficientNetV2完成缺陷分类。
[0029]所述高斯随机光照生成器包括输入通道和计算光照图通道，所述输入通道和所述计算光照图通道的输出满足Retinex理论。
[0030]所述等像素亮度区间划分算法包括数据预处理、图层分割和游离点聚类，通过对图像动态计算各亮度区间的像素，再进行等量分割，然后通过K最近邻算法对游离点进行聚类，最后完成图层划分。
[0031]校正网络进行光照校正的过程，具体为将所述等像素亮度区间划分算法获取的尺寸为128
×
128
×
8的输入张量校正叠加后恢复到尺寸128
×
128
×
1。
[0032]EfficientNetV2为具有自适应正则化的渐进式学习能力的卷积神经网络模型。
[0033]所述分类训练样本集的每个训练样本包括电机磁瓦表面灰度图和对应的类别标签。
[0034]以下就具体步骤进行详细说明：
[0035]请参阅图2，所述EfficientNet
‑
GC模型由高斯随机光照生成器、等像素亮度区间划分算法、校正网络和EfficientNetV2构成。原始图像张量T作为模型输入，通过高斯随机光照生成器叠加随机光照，生成光照不平衡图像，然后通过等像素亮度区间划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的电机磁瓦表面缺陷检测方法，其特征在于，包括下列步骤：构建EfficientNet
‑
GC模型；获取电机磁瓦分类训练样本集；利用所述分类训练样本集训练所述EfficientNet
‑
GC模型，获得训练好的分类模型；将待检测电机磁瓦的电机磁瓦表面灰度图所述训练好的分类模型，获得待检测电机磁瓦的类别标签。2.如权利要求1所述的基于机器视觉的电机磁瓦表面缺陷检测方法，其特征在于，所述EfficientNet
‑
GC模型由高斯随机光照生成器、等像素亮度区间划分算法、校正网络和EfficientNetV2构成，高斯随机光照生成器负责叠加随机光照生成光照不平衡图像，等像素亮度区间划分算法将光照不平衡图像划分为8个等像素量的图层，校正网络负责光照校正，EfficientNetV2完成缺陷分类。3.如权利要求2所述的基于机器视觉的电机磁瓦表面缺陷检测方法，其特征在于，所述高斯随机光照生成器包括输入通道和计算光照图通道，所述输入通道和所述计...

【专利技术属性】
技术研发人员：胡聪，廖海文，周甜，江文文，朱爱军，许川佩，黄喜军，万春霆，
申请(专利权)人：桂林航天工业学院，
类型：发明
国别省市：