一种基于深度学习的引线框架划痕缺陷检测方法及装置制造方法及图纸

本发明专利技术提供一种基于深度学习的引线框架划痕缺陷检测方法及装置，所述方法包括：获取引线框架的小单元图像，将具有划痕缺陷的图像进行标注，构建引线框架划痕缺陷数据集；构建用于划痕缺陷检测的改进yolov5目标检测网络模型；将所述引线框架划痕缺陷数据集送入改进的yolov5网络模型进行训练，训练出具有提取划痕特征并检测的深度学习模型；利用训练得到的改进的yolov5网络模型进行引线框架划痕缺陷检测。本发明专利技术将深度学习模型应用到引线框架划痕缺陷检测检测中，大大提高了划痕缺陷的检出率，对引线框架缺陷检测提供了技术支持。对引线框架缺陷检测提供了技术支持。对引线框架缺陷检测提供了技术支持。

【技术实现步骤摘要】
一种基于深度学习的引线框架划痕缺陷检测方法及装置


[0001]本专利技术引线框架缺陷检测
，具体地，涉及一种基于深度学习的引线框架划痕缺陷检测方法及装置。

技术介绍

[0002]在工业流水线复杂场景下对引线框架进行缺陷检测是机器视觉中一种非常重要的应用技术。通过对引线框架生产过程中出现的例如引脚变形、划痕、沙孔等缺陷进行检出使得生产商能够控制和提高生产质量。目前现有的机器视觉算法对缺陷的检测主要依靠传统的图像处理技术，通过得到的模板图像对检测图像进行差分处理等方法，实现缺陷的检出。除此之外，阈值法也是有效的缺陷检测方法之一，利用像素差异，人工进行阈值调整或自适应动态阈值的方法实现对缺陷的检出。
[0003]然而，在实际场景下，通过上述算法对于引线框架划痕缺陷的检出率不高。不同于其他缺陷，划痕缺陷特征不明显，像素差异小，连通域面积窄，现有的算法无法对划痕缺陷进行有效的检出。
[0004]因此，鉴于上述问题，本专利技术从划痕缺陷的特征入手，考虑缺陷的长宽比和连通域像素大小，构建了适用于划痕缺陷的深度学习模型，研究了一种基于深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的引线框架划痕缺陷检测方法，其特征在于，所述方法包括以下步骤：获取引线框架的小单元图像，将具有划痕缺陷的图像进行标注，构建引线框架划痕缺陷数据集；构建用于划痕缺陷检测的改进yolov5目标检测网络模型；将所述引线框架划痕缺陷数据集送入改进的yolov5网络模型进行训练，训练出具有提取划痕特征并检测的深度学习模型；利用训练得到的改进的yolov5网络模型进行引线框架划痕缺陷检测。2.根据权利要求1所述的基于深度学习的引线框架划痕缺陷检测方法，其特征在于，所述获取引线框架的小单元图像，将具有划痕缺陷的图像进行标注，构建引线框架划痕缺陷数据集的步骤中，在创建引线框架划痕缺陷数据集时，利用labelimg软件对引线框架缺陷图像进行标注，在标注时，对于划痕缺陷要使得标注框为最小包围矩形框。3.根据权利要求2所述的基于深度学习的引线框架划痕缺陷检测方法，其特征在于，所述获取引线框架的小单元图像，将具有划痕缺陷的图像进行标注，构建引线框架划痕缺陷数据集的步骤中，在对较大的划痕缺陷进行标注时，采用多个小标注框分别对缺陷进行标注。4.根据权利要求1所述的基于深度学习的引线框架划痕缺陷检测方法，其特征在于，所述获取引线框架的小单元图像，将具有划痕缺陷的图像进行标注，构建引线框架划痕缺陷数据集的步骤中，根据引线框架小单元的对称特性，将图像分别裁剪左上、右上、左下、右下四张图象，并将图像经过镜像翻转后对所述图像进行图像拼接，从而丰富数据集。5.根据权利要求1所述的基于深度学习的引线框架划痕缺陷检测方法，其特征在于，所述构建用于划痕缺陷检测的改进yolov5目标检测网络模型步骤具体包括：根据划痕缺陷的特点，在特征提取网络中加入C3卷积模块和CoordAttention注意力机制，所述特征提取网络经过focus层，通过切片操作使得输入为640*640*...

【专利技术属性】
技术研发人员：李志伟，孙霆瑞，苏骞，殷志祥，张仕兵，肖新杰，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：