一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法技术

本发明专利技术是一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法。本发明专利技术涉及缺陷检测技术领域，本发明专利技术公开了一种基于YOLOV7算法的发动机缸体缸盖加工面小目标缺陷多尺度检测方法。该方法是在高分辨率的工业相机拍摄前提下，以及YOLOV7基础上进行数据集的多尺度构建。在训练时采用小图进行训练，在预测时采用滑动窗口预测。最终以在增加部分耗时的情况下实现缸体缸盖加工面缺陷精准检测需求。最终检测准确率达到95％以上。测准确率达到95％以上。测准确率达到95％以上。

【技术实现步骤摘要】
一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法


[0001]本专利技术涉及缺陷检测
，是一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法。

技术介绍

[0002]在计算机视觉及目标检测中相对于传统算法在复杂背景变化中难以维持检测精度和稳定性的问题，深度学习技术可以通过大量非线性组合达到很好的特征提取能力及检测精度。基于深度学习的算法模型智能性和自适应程度更高，可以在不同的背景中都具有很好的检测精度。卷积神经网络(convolutional neural network，CNN)在深度学习中发展最为迅速，在图像处理任务中的应用最为广泛。深度学习技术已经广泛应用于目标检测任务，其中主要有2种方法：一种是基于Region Proposal的目标检测，最具代表性的就是R
‑
CNN系列，包括R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN；另一种方法是端到端的方法，如YOLO(you only look once)、SSD(single shot multibox detector)等，端到端的方式具有更快的图像处理速度。

技术实现思路

[0003]本专利技术为克服现有技术的不足，本专利技术公开了一种基于YOLOV7算法的发动机缸体缸盖加工面小目标缺陷多尺度检测方法。该方法是在高分辨率的工业相机拍摄前提下，以及YOLOV7基础上进行数据集的多尺度构建。在训练时采用小图进行训练，在预测时采用滑动窗口预测。最终以在增加部分耗时的情况下实现缸体缸盖加工面缺陷精准检测需求。本专利技术提供一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法。
[0004]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0005]本专利技术提供了一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，本专利技术提供了以下技术方案：
[0006]一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，所述方法包括以下步骤：
[0007]步骤1：使用2000万像素工业相机与平面光源，调整曝光使拍摄到的缺陷像素阈值与加工面表面区分明显，并拍摄并采集若干发动机缸体缸盖图像作为训练数据。
[0008]步骤2：对发动机缸体缸盖图像数据集进行矩形框标注，得到标注数据；
[0009]步骤3：遍历标注数据和图片，并进行随机扩展到长宽为640
‑
1920像素，以扩展后的坐标作为裁剪坐标对原图进行裁剪，得到裁剪后图片和与之相对应的标注数据；
[0010]步骤4：重复步骤2至步骤3，得到大量的剪后图片和与之相对应的标注数据；
[0011]步骤5：对标注数据进行转换，得到转换后的数据；
[0012]步骤6：基于转换后的数据采用随机洗牌的方式进行划分训练集和验证集，放入yolov7网络中进行训练，训练收敛后得到训练后的权重文件，取在验证集上表现最好的权重文件作为训练结果；
[0013]步骤7：根据拍摄位置和对应相机号构建ROI.json文件，内容为感兴趣区域的矩形坐标。
[0014]步骤8：根据ROI文件对图片名称判断并根据ROI坐标对输入图像进行剪裁并记录剪裁的xmin,ymin坐标。
[0015]步骤9：对剪裁后的图像采用滑动窗口循环输入并映射回原图坐标得到预测结果；
[0016]步骤10：采用DIOU
‑
NMS对原图坐标上所有预测结果再次过滤筛选。
[0017]优选地，所述步骤3具体为：包括以下步骤：
[0018]遍历所有的矩形框标注数据，并以标注的矩形框的中心为中心，从中心向四个方向随机扩展范围为640至1920个像素，以扩展后的坐标作为裁剪坐标对原图进行裁剪，并把裁剪范围内的标注矩形框坐标转换为裁剪后的标注矩形框坐标，把坐标信息储存为xml文件，名称前缀与裁剪后的图片名称前缀相同，得到了新的裁剪后图片和与之相对应的xml标注文件。
[0019]优选地，所述步骤4具体为：
[0020]将xml标注文件(c,xmin,ymin,xmax,ymax)的格式转换为coco格式(c,x,y,w,h)，其中xml标注的c是类别信息，xmin是x坐标最小值，ymin是y坐标最小值，xmax是x坐标最大值，ymax是y坐标最大值；coco格式标注的c是类别信息，x,y是中心点相对坐标，w,h是相对的宽和高。
[0021]优选地，所述步骤6中放入yolov7网络中进行训练时输入大小调整为1280x1280。
[0022]优选地，所述步骤9具体为：
[0023]将预测采用以窗口大小为1280x1280，采用一定步长的滑动窗口方式循环把输入的大尺寸图像裁剪成1280x1280尺寸的小图，和窗口对应的左上角点坐标x_i,y_i，在把小图输入到网络，得到小图的目标检测结果c,x,y,w,h,conf，类别,x,y,w,h,置信度，检测框相对于小图的xmin,ymin,xmax,ymax坐标通过下式表示：
[0024]xmin＝x*win
‑
w/2*win
[0025]ymin＝y*win
‑
h/2*win
[0026]xmax＝x*win+w/2*win
[0027]ymax＝y*win+h/2*win
[0028]检测框对应大图的坐标为:
[0029]xmin＝xmin+x_i
[0030]ymin＝ymin+y_i
[0031]xmax＝xmax+x_i
[0032]ymax＝ymax+y_i
[0033]检测结果坐标映射回输入大图上。
[0034]优选地，步长设置为640。
[0035]一种基于超高分辨率发动机缸体缸盖表面缺陷检测系统，所述系统包括：
[0036]标注模块，所述标注模块对发动机缸体缸盖表面图像数据集进行矩形框标注，得到标注数据；
[0037]遍历模块，所述遍历模块遍历标注标注数据，并进行随机扩展，以扩展后的坐标作为裁剪坐标对原图进行裁剪，得到裁剪后图片和与之相对应的标注数据；
[0038]重复模块，所述重复模块重复标注和遍历得到大量的剪后图片和与之相对应的标注数据；
[0039]转换模块，所述转换模块对标注数据进行转换，得到转换后的数据；
[0040]网络训练模块，所述网络训练模块基于转换后的数据采用随机洗牌的方式进行划分训练集和验证集，放入yolov7网络中进行训练，得到训练后的数据；
[0041]预测模块，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，其特征是：所述方法包括以下步骤：步骤1：对发动机缸体缸盖表面图像数据集进行矩形框标注，得到标注数据；步骤2：遍历标注标注数据，并进行随机扩展，以扩展后的坐标作为裁剪坐标对原图进行裁剪，得到裁剪后图片和与之相对应的标注数据；步骤3：重复步骤2至步骤3，得到大量的剪后图片和与之相对应的标注数据；步骤4：对标注数据进行转换，得到转换后的数据；步骤5：基于转换后的数据采用随机洗牌的方式进行划分训练集和验证集，放入yolov7网络中进行训练，得到训练后的数据；步骤6：对练后的数据采用滑动窗口循环输入并映射回原图坐标得到预测结果；步骤7：采用DIOU
‑
NMS对原图坐标上所有预测结果再次过滤筛选。2.根据权利要求1所述的一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，其特征是：所述步骤2具体为：包括以下步骤：遍历所有的矩形框标注数据，并以标注的矩形框的中心为中心，从中心向四个方向随机扩展范围为640至1920个像素，以扩展后的坐标作为裁剪坐标对原图进行裁剪，并把裁剪范围内的标注矩形框坐标转换为裁剪后的标注矩形框坐标，把坐标信息储存为xml文件，名称前缀与裁剪后的图片名称前缀相同，得到了新的裁剪后图片和与之相对应的xml标注文件。3.根据权利要求2所述的一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，其特征是：所述步骤4具体为：将xml标注文件(c,xmin,ymin,xmax,ymax)的格式转换为coco格式(c,x,y,w,h)，其中xml标注的c是类别信息，xmin是x坐标最小值，ymin是y坐标最小值，xmax是x坐标最大值，ymax是y坐标最大值；coco格式标注的c是类别信息，x,y是中心点相对坐标，w,h是相对的宽和高。4.根据权利要求3所述的一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，其特征是：所述步骤5中放入yolov7网络中进行训练时输入大小调整为1280x1280。5.根据权利要求4所述的一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，其特征是：所述步骤6具体为：将预测采用以窗口大小为1280x1280，采用一定步长的滑动窗口方式循环把输入的大尺寸图像裁剪成1280x1280尺寸的小图，和窗口对应的左上角点坐标x_i,y_i，在把小图输入到网络...

【专利技术属性】
技术研发人员：齐勇，李鹏堂，王荔岩，罗巍，
申请(专利权)人：哈尔滨耐是智能科技有限公司，
类型：发明
国别省市：