一种基于深度学习的铸件表面缺陷检测方法技术

本发明专利技术公开了一种基于深度学习的铸件表面缺陷检测方法，包括：步骤1、采集金属铸件表面图像并进行图像预处理；步骤2、采用预处理后的金属铸件表面图像构建金属铸件表面缺陷检测数据集并标注缺陷种类，训练基于深度学习的铸件表面缺陷检测网络；步骤3、构建特征提取网络，对预处理后的图像进行特征提取，得到图像特征信息；步骤4、基于图像特征信息，通过铸件表面缺陷检测网络，训练后的得到金属铸件表面图像中缺陷的分类和定位检测结果。本发明专利技术可实现铸件表面细微缺陷分析，准确率高，效率高，能显著降低人为主观性的干扰，保证产品生产的可靠性。靠性。靠性。

【技术实现步骤摘要】
一种基于深度学习的铸件表面缺陷检测方法


[0001]本专利技术属于铸件表面缺陷检测
，具体涉及一种基于深度学习的铸件表面缺陷检测方法。

技术介绍

[0002]铸件是使用各种铸造方法得到的金属成型物件，如将冶炼后的液态金属用浇注、压射、吸入或其他浇铸方法注入预先准备好的铸件模型中，待冷却后经打磨等加工手段后得到的具有一定形状、尺寸和性能的金属物件。铸件在机械加工用品中占有很大的比重。
[0003]在金属铸件的生产过程中，因为生产工艺和人员操作手段等因素，铸件表面难以避免地会出现缺陷。这些缺陷在铸件的后续加工以及使用过程中会造成严重的安全隐患。因此对金属铸件表面进行缺陷检测是铸件质量保障的核心基础。
[0004]在目前的生产实践中，主要采用人工方法对缺陷进行检测。但基于人眼的视觉检测存在费时费力、漏检率高、效率低、可靠性低等问题难以满足实际的质量需求。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的铸件表面缺陷检测方法，能有效的识别铸件表面的细微缺陷，具有准确率高，效率高的特点，能达到实时检测和分析的效果，和传统的人工检测方法对比，能降低人为主观性的干扰，保证产品在生产和使用过程中的质量可靠性。
[0006]为实现上述技术目的，本专利技术采取的技术方案为：
[0007]一种基于深度学习的铸件表面缺陷检测方法，包括：
[0008]步骤1、采集金属铸件表面图像并进行图像预处理；
[0009]步骤2、采用预处理后的金属铸件表面图像构建金属铸件表面缺陷检测数据集并标注缺陷种类以训练特征提取网络和铸件表面缺陷检测网络；
[0010]步骤3、获取待检测的金属铸件表面图像，对其进行步骤1的预处理后输入特征提取网络，进行特征提取，输出图像特征信息；
[0011]步骤4、将步骤3输出的图像特征信息输入铸件表面缺陷检测网络，得到金属铸件表面图像中缺陷的分类和定位检测结果。
[0012]为优化上述技术方案，采取的具体措施还包括：
[0013]上述的步骤1中对原始图像数据进行灰度转换，然后进行图像增强处理，通过调节原始图像中的亮度，增强使图像中缺陷区域与背景区域之间的对比度。
[0014]上述的步骤1中亮度调节公式如下：
[0015]I
′
＝δI+α,
[0016]其中，I代表原始图像，I
′
表示增强后的图像；
[0017]δ是用于调节像素亮度的参数，计算公式如下：
[0018][0019]其中，Δ是图像中所有像素点灰度值的均值；
[0020]α是公式中的一个偏差值；
[0021]上述的步骤2所述缺陷的种类包含凹坑和凸包两类。
[0022]上述的步骤2中使用工具为LabelImg对于金属铸件表面缺陷检测数据集进行缺陷种类标注，该工具输出格式为.xml的标注信息，然后再将.xml文件格式转换为对应的.json文件，得到数据集对应的标注文件。
[0023]上述的步骤2中按照5:2:2的比例将金属铸件表面缺陷检测数据集划分为训练、验证以及测试三个子集，分别用于特征提取网络和铸件表面缺陷检测网络的训练、验证和测试。
[0024]上述的特征提取网络包括残差单元和多尺度特征金字塔；
[0025]所述多尺度特征金字塔在原始特征金字塔的基础上，添加特征融合系数
[0026]上述的特征融合系数基于统计的方法计算得出，具体的：
[0027][0028]其中，表示第i+1层与第i层特征之间的特征融合系数；
[0029]N表示在特征层上与真实标注匹配的预测框数量；
[0030]i表示特征层的索引，根据特征金字塔{C2，C3，C4，C5}共四层，其值可取范围为{4,3,2}；
[0031]iou
n
表示第n个预测框与对应真实标注之间的IoU匹配值。
[0032]本专利技术具有以下有益效果：
[0033]本专利技术可实现铸件表面细微缺陷分析，准确率高，效率高，能显著降低人为主观性的干扰，保证产品生产的可靠性；
[0034]本专利技术构建的特征提取网络采用精细融合机制下的多尺度特征金字塔，该精细融合机制下的多尺度特征金字塔为了使特征层金字塔在向下的特征融合过程中更好地学习到不同尺度下的铸件表面缺陷特征信息，在原始特征金字塔的基础上，添加特征融合系数，该系数能使多尺度的特征在向下融合的过程中自适应地学习到不同尺度的目标特征，尤其是微小目标，因此能有效提升所述特征提取网络对铸件表面细微缺陷的检测性能。
附图说明
[0035]图1为本专利技术中铸件表面缺陷检测流程图；
[0036]图2为本专利技术中铸件表面显著性缺陷类型示意图；
[0037]图3为本专利技术中铸件表面图像亮度调节结果展示图；
[0038]图4为本专利技术中特征提取网络示意图。
[0039]图5为本专利技术中缺陷检测网络示意图。
具体实施方式
[0040]以下结合附图对本专利技术的实施例作进一步详细描述。
[0041]采集图1
‑
4，本专利技术一种基于深度学习的铸件表面缺陷检测方法，包括：
[0042]步骤1、采集金属铸件表面图像并进行图像预处理；
[0043]对于采集到的铸件表面图像数据，存在光照强度较弱，细小缺陷不明显的缺点，因此对于原始数据首先进行图像增强，调节其图像亮度，增强后的图像数据用于后续对铸件表面缺陷的检测任务；
[0044]所述步骤1中对原始图像数据进行灰度转换，然后进行图像增强处理，通过调节原始图像中的亮度，增强使图像中缺陷区域与背景区域之间的对比度；
[0045]亮度调节公式如下：
[0046]I
′
＝δI+α,
[0047]其中，I代表原始图像，I
′
表示增强后的图像；
[0048]δ是用于调节像素亮度的参数，计算公式如下：
[0049][0050]其中，Δ是图像中所有像素点灰度值的均值；
[0051]α是公式中的一个偏差值；
[0052]特别地，图像在进行增强处理时已变换为灰度图像，图像的三个通道均经过图像增强处理。
[0053]步骤2、采用预处理后的金属铸件表面图像构建金属铸件表面缺陷检测数据集并标注缺陷种类；
[0054]所述缺陷数据集中图像均已经过步骤1中图像增强处理。
[0055]所述缺陷的种类包含凹坑和凸包两类。
[0056]使用工具为LabelImg对于金属铸件表面缺陷检测数据集进行缺陷种类标注，该工具输出格式为.xml的标注信息，然后再将.xml文件格式转换为对应的.json文件，得到数据集对应的标注文件；
[0057]按照5:2:2的比例将金属铸件表面缺陷检测数据集划分为训练、验证以及测试三个子集，分别用于特征提取网络和铸件表面缺陷检测网络的训练、验证和测试本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的铸件表面缺陷检测方法，其特征在于，包括：步骤1、采集金属铸件表面图像并进行图像预处理；步骤2、采用预处理后的金属铸件表面图像构建金属铸件表面缺陷检测数据集并标注缺陷种类以训练特征提取网络和铸件表面缺陷检测网络；步骤3、获取待检测的金属铸件表面图像，对其进行步骤1的预处理后输入特征提取网络，进行特征提取，输出图像特征信息；步骤4、将步骤3输出的图像特征信息输入铸件表面缺陷检测网络，得到金属铸件表面图像中缺陷的分类和定位检测结果。2.根据权利要求1所述的一种基于深度学习的铸件表面缺陷检测方法，其特征在于，所述步骤1中对原始图像数据进行灰度转换，然后进行图像增强处理，通过调节原始图像中的亮度，增强使图像中缺陷区域与背景区域之间的对比度。3.根据权利要求2所述的一种基于深度学习的铸件表面缺陷检测方法，其特征在于，所述步骤1中亮度调节公式如下：I
′
＝δI+α,其中，I代表原始图像，I
′
表示增强后的图像；δ是用于调节像素亮度的参数，计算公式如下：其中，Δ是图像中所有像素点灰度值的均值；α是公式中的一个偏差值。4.根据权利要求1所述的一种基于深度学习的铸件表面缺陷检测方法，其特征在于，步骤2所述缺陷的种类包含凹坑和凸包两类。5.根据权...

【专利技术属性】
技术研发人员：贾佳，
申请(专利权)人：南京耘瞳科技有限公司，
类型：发明
国别省市：