一种工件缺陷检测方法、终端设备及存储介质技术

本发明专利技术涉及一种工件缺陷检测方法、终端设备及存储介质，该方法中对传统DGCNN网络进行改进，在改进DGCNN网络中首先对原有的EdgeConv进行改进，在传统EdgeConv的原有特征的基础上增加了点对特征PPF以及中心点法向量；其次赋予各层MLP输出不同权重，且权重时从最低层MLP输出至最高层MLP输出逐渐增大；基于改进DGCNN网络的DCP点云配准网络模型对待测工件与无缺陷工件进行点对的匹配，基于点对之间的欧氏距离判断是否为缺陷点。本发明专利技术实现了配准效果的提升，提高了缺陷检测的准确率。提高了缺陷检测的准确率。提高了缺陷检测的准确率。

【技术实现步骤摘要】
一种工件缺陷检测方法、终端设备及存储介质


[0001]本专利技术涉及缺陷检测领域，尤其涉及一种工件缺陷检测方法、终端设备及存储介质。

技术介绍

[0002]近年来新能源电动汽车的发展十分迅速，汽车纯电动化逐渐成为一种发展趋势，作为新能源汽车的心脏，锂电池的质量检测显得十分重要。从锂电池产品封装路线角度分类，锂电池可分为软包、方型和圆柱电池三种。基于机器视觉的锂电池外观缺陷检测通常是以机器代替人眼检测，目前大多数的视觉产品是以2D图像为主，或者用2D加上depth的数据，通过对2D图像处理从而检测出锂电池在出厂前是否能达到安全标准。但传统2D图像有其局限性，很难还原真实待测电池的具体外观情况，如装配错误或者受损形变。
[0003]3D点云图像相对2D图像能够提供更加丰富和直观的图像信息，基于配准技术的缺陷检测方案是一种常用的方法，但是传统的配准算法对点云初始位姿敏感，当待测物体位姿偏移较大时，传统算法在迭代计算过程中往往会陷入一个局部最优的情况，导致无法获得好的配准效果。现有技术中通常会使用一个粗配准算法提供一个初始位姿，再用精配准去矫正得到好的配准效果，但由于粗配准中需要花费大量的时间去计算点云的PFH或者FPFH等一些特征描述子，因此无法解决基于配准的缺陷检测中实时性的要求。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种工件缺陷检测方法、终端设备及存储介质。
[0005]具体方案如下：
[0006]一种工件缺陷检测方法，包括以下步骤：
[0007]S1：制作用于训练配准网络的工件的配准数据集，配准数据集中包括源点云图像、目标点云图像以及两者之间的刚体变换矩阵；
[0008]S2：通过改进DGCNN网络提取各点云图像的特征；
[0009]改进DGCNN网络中首先对原有的EdgeConv进行改进，在传统EdgeConv的原有特征的基础上增加了点对特征PPF以及中心点法向量；其次赋予各层MLP输出不同权重，且权重时从最低层MLP输出至最高层MLP输出逐渐增大；
[0010]S3：构建基于改进DGCNN网络的DCP点云配准网络模型，通过配准数据集对模型进行训练，得到训练后的最优配准模型；
[0011]S4：通过最优配准模型得到待测工件与对应的无缺陷工件的点云中点对的匹配关系，计算各匹配点对之间的欧式距离，设定欧式距离大于误差阈值的点对，则设定点对中属于待测工件的点为缺陷点。
[0012]进一步的，配准数据集的制作方法为：
[0013]S101：采集无缺陷工件的点云图像和有缺陷工件的点云图像；
[0014]S102：将点云图像随机旋转平移得到源点云图像、目标点云图像以及两者之间的
刚体变换矩阵，将源点云图像、目标点云图像以及两者之间的刚体变换矩阵组成配准数据集。
[0015]进一步的，步骤S101中还包括对采集的点云图像进行预处理，预处理包括：通过半径滤波进行离群点的剔除后再通过均匀采样的方式进行下采样。
[0016]进一步的，改进DGCNN网络的对称函数部分采用最大池化层加平均池化层的新池化方法。
[0017]一种工件缺陷检测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。
[0018]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
[0019]本专利技术采用如上技术方案，通过对传统DGCNN网络进行改进，实现了配准效果的提升，提高了缺陷检测的准确率。
附图说明
[0020]图1所示为本专利技术实施例一的流程图。
[0021]图2所示为该实施例中改进后的EgdeConv原理图。
[0022]图3所示为该实施例中PPF点对特征示意图。
[0023]图4所示为该实施例中SL
‑
DGCNN网络结构示意图。
[0024]图5所示为该实施例中改进后的DCP点云配准网络结构示意图。
[0025]图6所示为该实施例中transformer网络结构示意图。
具体实施方式
[0026]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。
[0027]现结合附图和具体实施方式对本专利技术进一步说明。
[0028]实施例一：
[0029]本专利技术实施例提供了一种工件缺陷检测方法，如图1所示，所述方法包括以下步骤：
[0030]S1：制作用于训练配准网络的工件的配准数据集，配准数据集中包括源点云图像、目标点云图像以及两者之间的刚体变换矩阵。
[0031]配准数据集的制作方法为：
[0032]S101：采集无缺陷工件的点云图像和有缺陷工件的点云图像；
[0033]S102：将点云图像随机旋转平移得到源点云图像、目标点云图像以及两者之间的刚体变换矩阵，将源点云图像、目标点云图像以及两者之间的刚体变换矩阵组成配准数据集。
[0034]进一步的，由于生产过程中采集到的待测工件的点云图像跟标准工件的点云图像之间的匹配点对不是一一对应的，因此，在点云图像中加入了高斯噪声，使得后续训练得到
的模型更加能应对实际情况。
[0035]该实施例中工件选择锂电池，具体为方型铝壳锂电池。
[0036]进一步的，采集的点云图像还需要进行预处理，该实施例中设定预处理的过程包括：通过半径滤波进行离群点的剔除后再通过均匀采样的方式进行下采样，该实施例中最终下采样得到1024个点。
[0037]该实施例中设定点云图像通过3D激光扫描仪采集。进一步的，由于单视角下的3D激光扫描仪只能获取该视角下的部分点云图像，因此需要设计多个视角的3D激光扫描仪的摆放，搭配一定的机械结构，从而得到完整的点云图。多个视角的点云图像可以转换到同一个空间坐标系下拼接为一张图像。
[0038]S2：通过改进DGCNN网络提取各点云图像的特征。
[0039]DGCNN网络中首先需要通过EdgeConv进行局部特征提取。如图2所示，EdgeConv通过KNN(最临近结点算法)的方式构建点云中点与点之间的拓扑关系得到局部特征边图，一个关键点Xi可寻找近邻的K个邻域点构成K个边缘(Xi,Xi1),...(Xi,Xik),这K个边缘组成该关键点的边图。传统的EdgeConv中可以针对中心点的局部特征进行，其中只包含了中心点Pi的坐标信息和有向边信息
△
Pi,j,本实施例对EdgeConv进行特征扩张，在原有特征的基础上加入点对特征PPF(PPF(Pi,Pn))以及中心点法向量(normal(Pi))，以达到丰富局部信息、特征维度扩张的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工件缺陷检测方法，其特征在于，包括以下步骤：S1：制作用于训练配准网络的工件的配准数据集，配准数据集中包括源点云图像、目标点云图像以及两者之间的刚体变换矩阵；S2：通过改进DGCNN网络提取各点云图像的特征；改进DGCNN网络中首先对原有的EdgeConv进行改进，在传统EdgeConv的原有特征的基础上增加了点对特征PPF以及中心点法向量；其次赋予各层MLP输出不同权重，且权重时从最低层MLP输出至最高层MLP输出逐渐增大；S3：构建基于改进DGCNN网络的DCP点云配准网络模型，通过配准数据集对模型进行训练，得到训练后的最优配准模型；S4：通过最优配准模型得到待测工件与对应的无缺陷工件的点云中点对的匹配关系，计算各匹配点对之间的欧式距离，设定欧式距离大于误差阈值的点对，则设定点对中属于待测工件的点为缺陷点。2.根据权利要求1所述的工件缺陷检测方法，其特征在于：配准数据集的制作方法为：S101：采集无缺陷工件的点云...

【专利技术属性】
技术研发人员：郑力新，陈坚墩，冉庆东，马健，黄鹤锋，
申请(专利权)人：华侨大学，
类型：发明
国别省市：