一种工业零件表面无损检测方法、系统及装置制造方法及图纸

本发明专利技术公开了一种工业零件表面无损检测方法、系统和装置，所述方法包括：S100、利用光场相机获取被检测对象表面的图像数据集；S200、设计循环神经网络模型，基于预处理后的图像数据集，对循环神经网络进行参数设定、缺陷闭值调整训练和特征学习，得到循环神经网络模型；S300、根据用户设定的缺陷阈值和所述图像数据集，对循环神经网络进行模型训练和特征学习，最终得到缺陷检测结果。本发明专利技术设计了新的循环神经网络，通过该方法学习零件表面的缺陷信息，进而能够提高工业零件检测的效率。进而能够提高工业零件检测的效率。进而能够提高工业零件检测的效率。

【技术实现步骤摘要】
一种工业零件表面无损检测方法、系统及装置


[0001]本专利技术涉及工业无损缺陷检测
，具体涉及一种基于循环神经网络的工业零件表面无损检测方法、系统及装置。

技术介绍

[0002]工业无损检测任务中，通过重建图像的三维信息，在不损害被检测对象的形状、性能情况下，对各种工程材料、零部件的结构的内部及表面进行有效检测和测试，最终能够更好的评价设备的完整性、安全性。
[0003]在工业场景中，产品零件的出厂指标有非常严格的要求，这些要求为零件出厂后发挥功能性作用提供了保障。由于工人的质检效率上限较低，同时人工成本又越来越高，企业为保障生产效率，一般采取抽样检测的策略。一批产品中随机抽取少量产品来评估整批产品的质量，其严格程度远远低于全面检测。因此人工进行缺陷检测时容易陷入一种矛盾：质量控制和生产效率二者不可兼得。这种矛盾在面料、带钢、薄膜等产品的表面缺陷检测中尤为突出。无损检测方法可以有效地减少企业的成本和人力，提高工业检测效率，因此，开展工业零件表面缺陷无损检测的方法研究至关重要。

技术实现思路

[0004]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于循环神经网络的工业零件表面无损检测方法、系统及装置，该方法及装置能够利用循环神经网络对工业零件表面的缺陷进行检测。
[0005]为实现上述目的，本专利技术采用的技术方案如下：
[0006]一种工业零件表面无损检测方法，其特征在于，所述方法包括以下步骤：
[0007]S100、利用光场相机获取工业场景下被检测对象表面的图像数据集；
[0008]S200、设计循环神经网络模型，基于预处理后的图像数据集，对循环神经网络进行参数设定、缺陷闭值调整训练和特征学习，得到循环神经网络模型；
[0009]S300、根据用户设定的缺陷阈值和所提供的图像数据，通过所构建的模型进行计算得到检测结果，输出所述缺陷检测结果。
[0010]进一步，步骤S200包括：
[0011]S201、所述的图像数据集包含有被检测对象的各种缺陷图像和无缺陷图像，由所述的被检测对象的各种缺陷图像以及无缺陷图像构成训练集和测试集；
[0012]S202、对所述训练集和测试集中各个图像中的缺陷图像进行缺陷标注，对标注后的图像数据集进行预处理；
[0013]S203、根据设定的参数训练循环神经网络，建立初始的循环神经网络模型。
[0014]更进一步，步骤S203所述根据设定的参数训练循环神经网络，包括：
[0015]对构建的循环神经网络，为了使循环神经网络模型能够更快更好地学习参数模型，不断改进学习率来适应随机梯度下降算法；
[0016]通过降采样的方式抽象所述特征信息；
[0017]根据上采样的方式获取图像像素级的特征信息；
[0018]根据图像的特征信息与标注图像的缺陷结果的差异比较，判断是否满足训练终止条件；
[0019]如果满足，存储该训练过程之后的循环神经网络模型。
[0020]进一步，所述方法还包括：
[0021]根据所构建的循环神经网络，得到所述循环神经网络的实验结果，包含准确率、召回率和缺陷标记数。
[0022]进一步，所述被检测对象的各种缺陷图像以及无缺陷图像构成训练集和测试集，包括：
[0023]根据缺陷类别数确定图像的分类数量；
[0024]根据图像的分类数量确定训练集的图像数；
[0025]根据确定的训练集数量确定被检测对象的各种缺陷图像以及无缺陷图像；
[0026]所述的被检测对象的各种缺陷图像以及无缺陷图像的剩余数据集作为测试集。
[0027]同时，本专利技术实施例中还提供了一种基于循环神经网络的工业零件表面无损检测系统，包括以下模块：
[0028]获取模块，用于利用光场相机获取工业场景下被检测对象表面的图像数据集；
[0029]计算模块，用于设计循环神经网络模型，基于预处理后的图像数据集，对循环神经网络进行参数设定、缺陷闭值调整训练和特征学习，得到循环神经网络模型；
[0030]输出模块，用于输出被检测对象的缺陷检测结果。
[0031]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述的基于循环神经网络的工业零件表面无损检测方法。
[0032]一种基于循环神经网络的工业零件表面无损检测装置，包括：
[0033]处理器；以及
[0034]存储器，用于存储所述处理器的可执行指令；
[0035]其中，所述处理器配置为经由执行所述可执行指令来执行前述的基于循环神经网络的工业零件表面无损检测方法。
[0036]在一些实施例中，所述
[0037]本专利技术的有益效果在于：本专利技术所提供的方法、系统和装置，采用循环神经网络进行工业零件表面无损检测，将传统的缺陷检测转为缺陷无损检测，从人工智能角度学习图像特征，满足图像获取的高分辨率，以及被检测图像缺陷检测的准确性。
附图说明
[0038]图1为本专利技术实施例中提供的一种基于循环神经网络的工业零件表面无损检测方法的流程示意图；
[0039]图2为本专利技术实施例中提供的循环神经网络模型的训练方法的流程图；
[0040]图3为本专利技术实施例中提供的一种基于循环神经网络的工业零件表面无损检测装置的结构示意图。
具体实施方式
[0041]下面结合说明书附图与具体实施方式对本专利技术做进一步的详细说明。
[0042]如图1所示，本实施例提供一种基于循环神经网络的工业零件表面缺陷无损检测方法，包括：
[0043]步骤S100，通过光场相机获取三维场景中工业零件的多个光场图像，形成被检测对象的图像数据集；
[0044]上述的图像数据集可以通过工业零件制造现场设置的图像采集装置从特定的角度进行拍摄得到，该特定的拍摄角度能够获取包含被检测对象的最多缺陷的图像。
[0045]步骤S200，基于预处理后的图像数据集，对循环神经网络进行参数设定、缺陷阈值调整等训练和特征学习，获取图像数据集中每个图像的特征信息，得到循环神经网络模型。
[0046]上述的缺陷阈值指被检测像素为缺陷的置信度，设置该值在[0,1]区间，默认值为0.5。
[0047]具体的，图2为本专利技术一个实施例所提供的循环神经网络的训练方法的流程图。
[0048]步骤S201，本实施案例的图像数据集是由工业现场包含有被检测对象表面的各种缺陷构成的，例如，划伤、破损、色污等缺陷。数据集分为训练集和测视集，用于训练循环神经网络模型和验证循环神经网络模型的缺陷检测结果。
[0049]步骤S202，所述训练集和测试集中的被检测对象的缺陷图像进行缺陷标注。
[0050]步骤S203，对标注后的图像进行预处理，并根据网络模型的训练参数建立循环神经网络模型。
[0051]所述循环神经网络模型的训练参数包括：迭代次数，批大小，图像等。
...

【技术保护点】

【技术特征摘要】
1.一种工业零件表面无损检测方法，其特征在于，所述方法包括以下步骤：S100、利用光场相机获取工业场景下被检测对象表面的图像数据集；S200、设计循环神经网络模型，基于预处理后的图像数据集，对循环神经网络进行参数设定、缺陷闭值调整训练和特征学习，得到循环神经网络模型；S300、根据用户设定的缺陷阈值和所提供的图像数据，通过所构建的模型进行计算得到检测结果，输出所述缺陷检测结果。2.根据权利要求1所述的一种工业零件表面无损检测方法，其特征在于，步骤S200包括：S201、所述的图像数据集包含有被检测对象的各种缺陷图像和无缺陷图像，由所述的被检测对象的各种缺陷图像以及无缺陷图像构成训练集和测试集；S202、对所述训练集和测试集中各个图像中的缺陷图像进行缺陷标注，对标注后的图像数据集进行预处理；S203、根据设定的参数训练循环神经网络，建立初始的循环神经网络模型。3.根据权利要求2所述的一种工业零件表面无损检测方法，其特征在于，步骤S203所述根据设定的参数训练循环神经网络，包括：对构建的循环神经网络，为了使循环神经网络模型能够更快更好地学习参数模型，不断改进学习率来适应随机梯度下降算法；通过降采样的方式抽象所述特征信息；根据上采样的方式获取图像像素级的特征信息；根据图像的特征信息与标注图像的缺陷结果的差异比较，判断是否满足训练终止条件；如果满足，存储该训练过程之后的循环神经网络模型。4.根据权利要求3所述的一种工业零件表面无损检测方法，其特征在于...

【专利技术属性】
技术研发人员：乔霈，李德源，牛蒙青，李会，
申请(专利权)人：中国辐射防护研究院，
类型：发明
国别省市：