一种基于深度学习的磁瓦表面缺陷检测系统技术方案

本发明专利技术公开了一种基于深度学习的磁瓦表面缺陷检测系统，涉及表面缺陷检测技术领域；它的检测方法如下：步骤一、图像预处理及数据增强：1.1、图像预处理；1.2、数据增强；步骤二、基于Faster R

【技术实现步骤摘要】
一种基于深度学习的磁瓦表面缺陷检测系统


[0001]本专利技术属于表面缺陷检测
，具体涉及一种基于深度学习的磁瓦表面缺陷检测系统。

技术介绍

[0002]产品缺陷检测是工业生产中一个重要的环节，它保证了产品的质量和性能。将智能制造方法应用于产品缺陷检测中，有效地解决了人工检测的各种问题，如劳动力成本高、检测速度慢、检测精度低、产品品质一致性差等。随着计算机技术的飞速发展，多种基于数字图像处理和计算机视觉的自动化缺陷检测技术被应用于各个生产行业中，例如瓷砖、玻璃、钢板、电子印刷等。这些缺陷检测技术有力地推动了生产企业向自动化和智能化方向发展。
[0003]永磁电机是用永磁体建立磁场的一种电机，广泛应用于各种产品中，如汽车、家电、玩具等。磁瓦作为永磁电机的重要组成部件，其工件质量会直接影响电机的性能和使用寿命。在磁瓦的生产过程中，由于受原料成分、加工工艺、设备状况、搬运碰撞等因素影响，磁瓦的表面不可避免地出现一些诸如崩块、裂缝、杂质、多磨、起皱等加工缺陷。这些缺陷对磁瓦的磁通量、剩余磁感应强度、抗过载退磁以及抗老化等使用性能有很大的影响。如果在电机中使用了这些含有缺陷的磁瓦，将会产生不可预估的安全隐患。因此，磁瓦在出厂使用前必须对其进行质量检测，剔除缺陷磁瓦，保证磁瓦的质量和性能。
[0004]目前大多数磁瓦生产企业采用人工目视检测磁瓦缺陷，长时间的目视检测会使检测工人产生疲劳，影响磁瓦的缺陷的检测精度和检测效率。此外，劳动力成本逐年增高也会增加磁瓦的生产成本，限制企业的发展。因此，选择合适的自动化缺陷检测技术对于磁瓦以及永磁电机的生产具有十分重要的意义。由于磁瓦的缺陷种类较多、尺寸较小、受检测背景及磁瓦表面纹理影响较大，传统的数字图像处理方法很难提取到合适的特征向量对磁瓦缺陷进行检测。

技术实现思路

[0005]为解决
技术介绍
中的问题；本专利技术的目的在于提供一种基于深度学习的磁瓦表面缺陷检测系统。
[0006]本专利技术的一种基于深度学习的磁瓦表面缺陷检测系统，它的检测方法如下：
[0007]步骤一、图像预处理及数据增强：
[0008]1.1、图像预处理：
[0009]利用一个特定尺寸的模板按照某种规律依次覆盖图像的一个小区域，在覆盖区域内按照像素值的大小对像素点进行排序，选取中值作为覆盖区域中心点的像素值；
[0010]1.2、数据增强：
[0011]考虑采用TTA策略融合知识蒸馏的方式，对数据集进行概率性增强；
[0012]步骤二、基于Faster R
‑
CNN的小目标缺陷改进：
[0013]Faster
‑
RCNN将特征抽取，候选框提取，边框回归都整合在了一个网络中，Faster
‑
RCNN只在Con5_3进行Roipooling，这一层的特征对应原图的Scale都是很大的，因为进行了4次下采样，1个4
×
4的Ahchor对应原图64
×
64的Object。
[0014]为满足对小目标检测的任务要求，重新设计Anchors使获得Anchors的尺度精确匹配到小目标；DCP算法的参数少，DCP算法只需计算点与点之间的距离，复杂度低。
[0015]步骤三、针对YOLOv4算法的改进：
[0016]在磁瓦缺陷的训练集中每张图像包含多个目标，YOLOv4分类误差中采用的交叉熵损失函数难以解决样本不平衡的问题，而Focal loss具有调节样本不平衡和挖掘困难样本的作用，Focal loss函数如式(4
‑
6)所示：
[0017]FL(P
t
)＝
‑
α
t
(1
‑
P
t
)
γ
log(P
t
)
ꢀꢀꢀꢀ
(4)
[0018][0019][0020]式(4
‑
6)中，p∈(0，1)，表示样本预测的概率；是用于控制正负样本对总损失影响的平衡参数，可调节样本不平衡对损失的影响；α∈(0，1)，当正样本占比更少时，可减小α的取值，加大样本预测错误时的惩罚；γ是用于控制难易样本对总损失的聚焦参数，当γ>1时可降低简单样本的损失，使得模型更关注学习难分辨的样本。
[0021]作为优选，所述DCP算法内容如下所示：
[0022](1)计算每个数据点之间的距离，生成三列距离矩阵，矩阵前两列表示数据标号，第三列表示前两列数据点之间的距离；
[0023](2)确定类簇中心点：类簇中心点的局部密度高，与高密度点之间的距离大；
[0024](3)其他数据点以上述两个数据量作为维度可视化输出，得到的可以直观选择聚类中心点和异常值点的决策图；
[0025](4)忽略异常值，其他非聚类中心点数据根据距离远近，分配到附近的聚类中心类簇中；
[0026]局部密度的定义为：
[0027][0028][0029]高密度点之间距离定义为：
[0030]δ
i
＝min(d
ij
)
ꢀꢀꢀ
(3)
[0031]这种算法突出的是只对局部密度与高密度点之间的距离这两个量进行计算；改进后的anchors可以精确匹配到小目标。
[0032]与现有技术相比，本专利技术的有益效果为：
[0033]一、重新设计anchors，使anchors的尺度可以精确匹配到小目标，能够对磁瓦的崩烂缺陷、偏磨缺陷、裂纹缺陷、起层缺陷进行检测。
[0034]二、检测精度高，且兼容能力强，同时检测快速、全面。
附图说明
[0035]为了易于说明，本专利技术由下述的具体实施及附图作以详细描述。
[0036]图1为本专利技术的Faster
‑
RCNN网络结构图。
具体实施方式
[0037]为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本专利技术。但是应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0038]在此，还需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出了与根据本专利技术的方案密切相关的结构和/或处理步骤，而省略了与本专利技术关系不大的其他细节。
[0039]本具体实施方式采用以下技术方案：
[0040]一、图像预处理及数据增强：
[0041]1.1、图像预处理：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瓦表面缺陷检测系统，其特征在于：它的检测方法如下：步骤一、图像预处理及数据增强：1.1、图像预处理：利用一个特定尺寸的模板按照某种规律依次覆盖图像的一个小区域，在覆盖区域内按照像素值的大小对像素点进行排序，选取中值作为覆盖区域中心点的像素值；1.2、数据增强：考虑采用TTA策略融合知识蒸馏的方式，对数据集进行概率性增强；步骤二、基于Faster R
‑
CNN的小目标缺陷改进：Faster
‑
RCNN将特征抽取，候选框提取，边框回归都整合在了一个网络中，Faster
‑
RCNN只在Con5_3进行Roipooling，这一层的特征对应原图的Scale都是很大的，因为进行了4次下采样，1个4
×
4的Ahchor对应原图64
×
64的Object；为满足对小目标检测的任务要求，重新设计Anchors使获得Anchors的尺度精确匹配到小目标；DCP算法的参数少，DCP算法只需计算点与点之间的距离，复杂度低；步骤三、针对YOLOv4算法的改进：在磁瓦缺陷的训练集中每张图像包含多个目标，YOLOv4分类误差中采用的交叉熵损失函数难以解决样本不平衡的问题，而Focal loss具有调节样本不平衡和挖掘困难样本的作用，Focalloss函数如式(4
‑
6)所示：FL(P
t
)＝
‑
α...

【专利技术属性】
技术研发人员：李双全，徐嘉言，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：