一种高反光胶水缺陷检测方法技术

本发明专利技术提供一种高反光胶水缺陷检测方法，先训练针对于反光特性的检测模型A，该模型用于输出表征图像反光特性的一维特征向量A；再将一维特征向量A结合图像的灰度特征向量和纹理特征向量，作为整体的特征向量集合，训练缺陷识别模型B，模型B用于输出图像对应的类别：正常胶水图像、有缺陷的胶水图像、存在反光区域的胶水图像；完成缺陷检测。在检测高反光特征的胶水图像时，本方法能够准确区分缺陷区域(胶水缺失或断裂)和反光区域，检测结果准确性高，解决了工业喷涂中反光胶水(LASD)的质量难以监控的技术问题。以监控的技术问题。以监控的技术问题。

【技术实现步骤摘要】
一种高反光胶水缺陷检测方法


[0001]本专利技术涉及涂胶视觉检测领域，具体涉及一种高反光胶水缺陷检测方法。

技术介绍

[0002]在涂胶工艺的常规应用中，其主要用于替代传统的焊接工艺，实现对工件的固定，但是，随着胶水用途的多样化，水性阻尼材料(LASD)的胶水因不含有机溶剂、密度小、自动化施工、可机器人喷涂等优点，被广泛用于密封、降噪，如将该材料涂抹到汽车零部件表面，可提高整车NVH(噪声Noise、振动Vibration与声振粗糙度Harshness)性能。但是，水性阻尼材料(LASD)的胶水涂抹后，呈现出高反光特性，如图1
‑
3所示，采集到的胶水图像中随机分布着高亮反光区域，现有缺陷检测方法，仅依赖图像的灰度特征或纹理特征，但由于胶水的反光现象，导致胶水图像的灰度与纹理信息遭到破坏，难以有效区分反光区域和缺陷区域，反光区域易被误判为缺陷，导致误检率畸高。

技术实现思路

[0003]为了解决上述技术问题，本专利技术提供一种高反光胶水缺陷检测方法，本方法针对于高反光特征的胶水图像，在分析灰度特征、纹理特征的基础上增加了反光特征，能够准确区分缺陷区域(胶水缺失或断裂)和反光区域，检测结果准确性高，能够解决工业喷涂中反光胶水(LASD)的质量难以监控的技术问题。
[0004]为此，本专利技术的技术方案如下：
[0005]一种高反光胶水缺陷检测方法，实际检测前，利用以下步骤训练检测模型：
[0006]S1、收集多张存在反光区域的胶水图像，以反光强度分数作为每张胶水图像的标签，再按照预设比例划分训练集A、测试集B；
[0007]初始的反光强度分数为修正后的单张胶水图像的灰度方差乘积和反光区域在整张图像中的像素占比分别与不同比例系数积的和；
[0008]当训练集中的所有图像均获得初始反光强度分数后，将各个初始的反光强度分数分别进行归一化处理，得到最终的反光强度分数；
[0009]S2、将训练集A中的图像分别输入到卷积神经网络模型中训练，记该模型为模型A，损失函数为loss＝k
×
|Y
i
‑
S
i
|2，其中，k为比例系数，为预设值，Y
i
为模型A输出的第i张图像的反光强度分数预测值；
[0010]当loss值收敛或者loss值小于预设值之后，利用测试集A中图像验证模型A的准确率：当模型A的输出的预测值Y
i
处于标签S
i
±
10％范围内时，则认为输出预测值准确，否则，不准确；
[0011]若准确率高于预设阈值，则保存当前模型A；否则，扩充训练集A中图像样本数量，或者调整模型A中的模型参数，重新训练模型A，直到准确率高于预设阈值；
[0012]S3、收集三类样本：正常胶水图像、有缺陷的胶水图像、存在反光区域的胶水图像，根据图像所属的类别为每张图像打标签，形成样本数据集，每类样本数据集中图像的数量
不少于500张；
[0013]按照以下方式为各图像以及标签匹配特征向量集合：
[0014]将单张图像输入到步骤S2中存储的模型A中，模型A的全连接层输出一维特征向量A；
[0015]提取单张图像的灰度特征向量和纹理特征向量，再将两者依次拼接到一维特征向量A，形成特征向量集合；
[0016]再将各类图像按照预设的比例划分到训练集B和测试集B；
[0017]S4、利用训练集B中各图像的标签与特征向量集合训练模型B所述模型B为机器学习模型或者卷积神经网络模型；
[0018]利用测试集B中图像验证训练后的模型B的准确率，若准确率低于预设阈值，则扩充训练集B中图像样本数量，或者调整模型B中的模型参数，重新训练模型B，直到准确率高于预设阈值；否则，保存当前模型B，模型训练结束；
[0019]实际检测时，将实际采集到的胶水图像输入到步骤S2中存储的模型A中，模型A的全连接层输出一维特征A；提取该图像的灰度特征向量和纹理特征向量，再将两者依次拼接到一维特征向量A，形成特征向量集合；
[0020]将特征向量集合输入到训练好的模型B中，模型B输出该图像对应的类别：正常胶水图像、有缺陷的胶水图像、存在反光区域的胶水图像；
[0021]完成缺陷检测。
[0022]优选，步骤S2中，将训练集A中的图像各像素点的灰度值均除以255，并缩放图像尺寸为预设大小。
[0023]优选，步骤S1中，图像数量不少于1000张；
[0024]步骤S2和步骤S4中，准确率对应的预设阈值取值为0.9～0.98。
[0025]进一步，步骤S1中，初始的反光强度分数S
i
，计算方式如下：
[0026]计算单张图像的灰度方差乘积，记为C
i
；在该图像中分割出反光区域，并统计反光区域像素点在整幅图中的占比，记为R
i
；i表示第i张图像，i＝1，2
……
N，N表示图像总数；
[0027]计算单张图像的初始反光强度分数S
i初始
＝λ
×
R
i
+β
×
C
i
+σ，其中，λ、β均为比例系数、σ为修正值，三者均为设定值。
[0028]进一步，步骤S1中，当训练集中的所有图像均获得初始反光强度分数后，将各个初始的反光强度分数分别进行归一化处理，得到最终的反光强度分数，方式如下：
[0029]查找S
i初始
中的最大、最小初始反光强度分数，分别记为S
初始max
、S
初始min
；
[0030]将各图像对应的初始反光强度分数进行归一化，获得最终的反光强度分数
[0031]进一步，λ、β的设置方式如下：
[0032]分别取R
i
、C
i
的均值记为R
均值
、C
均值
，设置λ、β使的比值小于10。
[0033]优选，步骤S2中，k取值为10的倍数；
[0034]优选，步骤S2中，调整模型A中的模型参数，其中模型参数包括全连接层的数量、学
习率、衰减、图像缩放尺寸；
[0035]步骤S4中，调整模型B中的模型参数，方式为：
[0036]当模型B为卷积神经网络模型时，所述模型参数包括全连接层的数量、学习率、衰减和图像缩放的预设尺寸；
[0037]当模型B为机器学习模型时，所述模型参数包括迭代次数、学习率、节点分裂最小增益、单片叶子最小数据量、叶子节点数和最大深度。
[0038]优选，模型A的全连接层的层数取值为512～2560。
[0039]进一步，步骤S3中，提取灰度特征向量的方法包括：灰度共生矩阵方法、灰度共生梯度矩阵方法、模糊熵方法；
[0040]提取灰度特征向量的方法包括：HOG方法、Gabor滤波器、SI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高反光胶水缺陷检测方法，其特征在于：实际检测前，利用以下步骤训练检测模型：S1、收集多张存在反光区域的胶水图像，以反光强度分数作为每张胶水图像的标签，再按照预设比例划分训练集A、测试集B；初始的反光强度分数为修正后的单张胶水图像的灰度方差乘积和反光区域在整张图像中的像素占比分别与不同比例系数积的和；当训练集中的所有图像均获得初始反光强度分数后，将各个初始的反光强度分数分别进行归一化处理，得到最终的反光强度分数；S2、将训练集A中的图像分别输入到卷积神经网络模型中训练，记该模型为模型A，损失函数为loss＝k
×
|Y
i
‑
S
i
|2，其中，k为比例系数，为预设值，Y
i
为模型A输出的第i张图像的反光强度分数预测值；当loss值收敛或者loss值小于预设值之后，利用测试集A中图像验证模型A的准确率：当模型A的输出的预测值Y
i
处于标签S
i
±
10％范围内时，则认为输出预测值准确，否则，不准确；若准确率高于预设阈值，则保存当前模型A；否则，扩充训练集A中图像样本数量，或者调整模型A中的模型参数，重新训练模型A，直到准确率高于预设阈值；S3、收集三类样本：正常胶水图像、有缺陷的胶水图像、存在反光区域的胶水图像，根据图像所属的类别为每张图像打标签，形成样本数据集，每类样本数据集中图像的数量不少于500张；按照以下方式为各图像以及标签匹配特征向量集合：将单张图像输入到步骤S2中存储的模型A中，模型A的全连接层输出一维特征向量A；提取单张图像的灰度特征向量和纹理特征向量，再将两者依次拼接到一维特征向量A，形成特征向量集合；再将各类图像按照预设的比例划分到训练集B和测试集B；S4、利用训练集B中各图像的标签与特征向量集合训练模型B所述模型B为机器学习模型或者卷积神经网络模型；利用测试集B中图像验证训练后的模型B的准确率，若准确率低于预设阈值，则扩充训练集B中图像样本数量，或者调整模型B中的模型参数，重新训练模型B，直到准确率高于预设阈值；否则，保存当前模型B，模型训练结束；实际检测时，将实际采集到的胶水图像输入到步骤S2中存储的模型A中，模型A的全连接层输出一维特征A；提取该图像的灰度特征向量和纹理特征向量，再将两者依次拼接到一维特征向量A，形成特征向量集合；将特征向量集合输入到训练好的模型B中，模型B输出该图像对应的类别：正常胶水图像、有缺陷的胶水图像、存在反光区域的胶水图像；完成缺陷检测。2.如权利要求1所述方法，其特征在于：优选，步骤S2中，将训练集A中的图像各像素点的灰度值均除以255，并缩放图像尺寸为预设大小。3.如权利要求1所述方法，其特征在于：步骤S1中，图像数量不少于1000张；步骤S2和步骤S4中，准确率对应的预设阈值取值为0.9～0.98。
4.如权利要求1所述方法，其特征在于：步骤S1中，初始的反光强度分数S
i
，计算方式如下：计算单张图像的灰度方差乘积，记为C
i
；在该图像中分割出反光区域，并统计反光区域像素点在整幅图中的占比，记为R
i
；i表示第i张图像，i＝1，2
……
N，N表示图像总数；计算单张图像的初始反光强度...

【专利技术属性】
技术研发人员：郭寅，郭磊，金开祥，冯宇深，
申请(专利权)人：易思维杭州科技有限公司，
类型：发明
国别省市：