【技术实现步骤摘要】
一种工业机器人工业产品缺陷图像数据增广方法
[0001]本专利技术涉及自动化设备,更具体地说,涉及一种工业机器人工业产品缺陷图像数据增广方法。
技术介绍
[0002]目前工业机器人在视觉检测技术里面得到了广泛的应用,一来由于图像识别技术的不断创新,二来是硬件算力成本的不断降低,使得视觉识别不再是工业智能生产流水线中一直缺失的一个环节。视觉检测在定位、分选、标识等多个功能环节起到了至关重要的作用,而在视觉机器人中应用较多的一个环节即是工业品质检环节,由于工业品本身多种多样,一般对工业产品的缺陷都是通过人为进行识别,而人为识别本身具有不确定容易导致错误,同时,人为识别基于经验认知,难以对工业生产线中出现的影响良率的情况和环节进行分析,所以机器人视觉技术在质检环节得到了广泛的应用;
[0003]而机器人视觉技术在识别工业品表面缺陷时,一般是通过特征识别、缩放、调整焦距这三个步骤实现缺陷图像的采集,但是存在以下两个问题,通过特征识别进行缩放,采集区域的缩放,缩放比例是根据特征大小进行的,但是实际会出现实际缺陷较大的情况,导致缩放后采集图像可能只能呈现部分缺陷,第二个问题是呈现的采用一致性焦距可能出现边缘不清晰的情况,这两种情况都会导致采集的缺陷图像呈现不清晰,导致后续成因分析难以进行。
技术实现思路
[0004]有鉴于此,本专利技术目的是提供一种工业机器人工业产品缺陷图像数据增广方法。
[0005]为了解决上述技术问题,本专利技术的技术方案是:
[0006]一种工业机器人工业产品缺陷图 ...
【技术保护点】
【技术特征摘要】
1.一种工业机器人工业产品缺陷图像数据增广方法,其特征在于:步骤S1、实时获取工业品远景图像,并通过预设的缺陷特征神经网络识别工业品远景图像的缺陷特征;步骤S2、以缺陷特征于远景图像的位置为中心通过放大倍比放大工业品远景图像以获取特征识别获得工业品近景图像,同时自动对焦并获取调焦参数;步骤S3、通过预设的丢失判断策略根据缺陷特征判断所述工业品近景图像的损失信息,并将所述缺陷特征作为索引从预设的特征重构数据库中获取特征重构条件;步骤S4、通过所述特征重构条件从工业品远景图像中获取特征重构信息;步骤S5、将特征重构信息带入预设的特征增广模型中以得到重构特征图像;步骤S6、将重构特征图像和所述工业品近景图像进行拼接以得到缺陷增广图像;步骤S7、将得到的缺陷增广图像和工业品远景图像比对以计算图像相似值,当图像相似值大于上限阈值时,执行正反馈调节策略,当图像相似值小于下限阈值时,执行负反馈调节策略。2.如权利要求1所述的一种工业机器人工业产品缺陷图像数据增广方法,其特征在于:所述丢失判断策略步骤S3
‑
1、根据缺陷特征计算工业品近景图像中每一像点的最大卷积值;步骤S3
‑
2、根据最大卷积值的分布确定上限匹配值以及下限匹配值;步骤S3
‑
3、将最大卷积值高于上限匹配值的像点标记为缺陷像点,将最大卷积值于上限匹配值和下限匹配值之间的像点标记为重构像点,将最大卷积值低于下限匹配值的像点标记为冗余像点,将分布方式满足中心分布条件的缺陷像点划分为中心图区;步骤S3
‑
4、确定与中心图区距离小于预设的冗余距离值的重构像点为临接像点集,临接数据集中分布方式满足损失分布条件的重构像点划分为损失图区,临接数据集中位于工业品近景图像边缘的像点确定为损失边缘;步骤S3
‑
5、根据损失图区和损失边缘的位置生成所述的损失信息。3.如权利要求2所述的一种工业机器人工业产品缺陷图像数据增广方法,其特征在于:所述步骤S4中包括:步骤S4
‑
1、通过损失信息在所述工业品远景图像中确定起始坐标;步骤S4
‑
2、通过特征重构条件中的轮廓识别基准从工业品远景图像中确定重构轮廓;步骤S4
‑
3、通过特征重构条件中的重构基准在所述重构轮廓中确定若干重构特征,根据重构特征生成所述的重构特征信息。4.如权利要求3所述的一种工业机器人工业产品缺陷图像数据增广方法,其特征在于:所述的特征增广模型包括重构神经网络,所述重构神经网络中的每个节点对应有卷积核数据集,所述卷积核数据集中包括有若干个反卷积核,每一反卷积核对应有卷积优先值,所述重构神经网络的节点之间通过递进索引向量关联。5.如权利要求4所述的一种工业机器人工业产品缺陷图像数据增广方法,其特征在于:所述步骤S5中包括步骤S5
‑
1、根据重构特征生成若干重构路径以使重构路径覆盖所述的重构轮廓;步骤S5
...
【专利技术属性】
技术研发人员:刘福国,叶圣华,祝光源,
申请(专利权)人:浙江纺织服装职业技术学院,
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。