【技术实现步骤摘要】
基于YOLOv4神经网络的控制箱装配缺陷检测方法、装置及介质
[0001]本专利技术主要涉及控制箱装配缺陷检测
，具体涉及一种基于YOLOv4神经网络的控制箱装配缺陷检测方法、装置及存储介质。
技术介绍
[0002]目前，随着我国制造业的不断发展，智能装配系统也逐渐被应用。控制箱零件装配缺陷的检测和识别是智能装配系统中的重要内容，涉及了计算机视觉、深度学习，图像识别等研究领域。目前，传统装配系统中依靠人力进行重复性劳动，容易由于人的操作具有疲劳性和人眼分辨率有限等特点造成失误，智能系统还没有普遍的应用，对于研究工业零件的特定日标检测的应用级方法较少。因此，为了避免浪费人工和时间，适应工厂环境中光线等不稳定因素，对确保精度和速度的智能控制箱装配缺陷检测势在必行，而现有的控制箱装配缺陷检测方法存在着准确率不高、效率低等问题，不能满足智能产业升级的现实需求。
技术实现思路
[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于YOLOv4神经网络的控制箱装配缺陷检测方法、装置及存储介质。<...
【技术保护点】
【技术特征摘要】
1.一种基于YOLOv4神经网络的控制箱装配缺陷检测方法，其特征在于，包括如下步骤：对控制箱内多个类别零部件进行图像拍摄，得到多幅零部件图像；分别对各幅零部件图像进行数据增强处理，得到多幅工业零件图像；分别对各幅工业零件图像进行信息标注，并按预设比例将多个标注后的工业零件图像分为样本训练集和样本测试集；基于YOLOv4神经网络构建初始卷积神经网络检测模型，通过所述样本训练集对所述初始卷积神经网络检测模型进行训练，得到训练后卷积神经网络检测模型；通过所述样本测试集对训练后卷积神经网络检测模型进行测试，得到最终的卷积神经网络检测模型；对正确装配控制箱内多个类别零部件进行图像拍摄，并从零部件图像得到标准参数；对待检测控制箱内多个类别零部件进行图像拍摄，得到待检测零部件图像；将待检测零部件图像输入最终的卷积神经网络检测模型，输出待检测零部件图像的检测参数，通过所述标准参数校验检测参数，得到待检测控制箱是否存在装配缺陷的检测结果。2.根据权利要求1所述的控制箱装配缺陷检测方法，其特征在于，所述对控制箱内多个类别零部件进行图像拍摄，得到多幅零部件图像，具体为：按照设定的不同光照变化、不同角度和不同位置对控制箱内多个类别零部件进行图像拍摄，得到多幅零部件图像。3.根据权利要求1所述的控制箱装配缺陷检测方法，其特征在于，所述分别对各幅零部件图像进行数据增强处理，得到多幅工业零件图像，具体为：对各幅零部件图像进行镜像翻转处理，将各幅零部件图像和镜像翻转后的各幅零部件图像分别进行上下翻转、左右翻转和对角翻转，得到多幅工业零件图像。4.根据权利要求1所述的控制箱装配缺陷检测方法，其特征在于，所述分别对各幅工业零件图像进行信息标注，具体为：按序号分别对各幅工业零件图像进行命名，并以标注框的x、y、w和h四个位置信息和类别信息标注命名后的各幅工业零件图像，将标注后的各幅工业零件图像作为样本图像。5.根据权利要求4所述的控制箱装配缺陷检测方法，其特征在于，所述通过所述样本训练集对所述初始卷积神经网络检测模型进行训练，具体为：所述初始卷积神经网络检测模型将输入的所述样本训练集中的各个工业零件图像分为S
×
S的网格；通过维度聚类固定先验框设定边界框，所述初始卷积神经网络为所述边界框预测x、y、w和h四个位置信息和置信度，得到预测框，所述置信度为：其中，P
r
(pbject)表示所含目标的可能性，值为1或0，表示标注框的真实值和预测坐标的值的交并比系数，值为1时表示标注框和预测框重合，值为0时表示标注框和预测框不重合；通过评分公式对所述置信度进行评分，所述评分公式为：
其中，P
r
(class)表示网格属于其中一...
【专利技术属性】
技术研发人员：陈灯，冯晨光，魏巍，张彦铎，吴云韬，卢涛，周华兵，刘玮，段功豪，于宝成，鞠剑平，唐剑隐，徐文霞，彭丽，
申请(专利权)人：武汉引行科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。