【技术实现步骤摘要】
一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质
[0001]本专利技术主要涉及到汽车车身生产制造智能
,特指一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质。
技术介绍
[0002]涂装工艺是汽车车身生产制造中的重要环节,它通过在车体表面喷涂油漆而提高车身的防锈耐腐性以及汽车的观感。由于车身涂装是一项高精度、高难度的工作,工艺质量往往受到涂料质量、涂装环境、喷涂工艺等因素影响。车身漆面会在一定概率上产生污渍、划痕、喷涂不均匀的橘皮、漆面下气泡或颗粒等漆面不合格的漆面纹理。所以,车身漆面缺陷检测是生产环节中非常重要的一环。
[0003]目前,传统的汽车车身漆面缺陷检测主要是通过人工方式来完成。该环节中,相关具有经验的工作人员借助特殊光源,通过人眼和触摸的方式排查整台车的漆面,发现缺陷后在相关位置用马克笔圈标注。该过程明显效率不高,且依赖于工作人员的经验,还很容易让工作人员得职业病。尤其是不适合大规模、智能化、高效的流水线作业。
技术实现思路
[0004]本专利技术要解决的技术问题就在于:针对现有技术存在的技术问题,本专利技术提供一种原理简单、检测精度好、检测效率高的基于深度学习的汽车漆面缺陷自动检测方法及存储介质。
[0005]为解决上述技术问题,本专利技术采用以下技术方案:
[0006]一种基于深度学习的汽车漆面缺陷自动检测方法,其包括:
[0007]步骤S1:获取待测车身的图像数据;水平绝对相位图H1、垂直绝对相位图V1;
[0008]步骤S2 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,包括:步骤S1:获取待测车身的图像数据;水平绝对相位图H1、垂直绝对相位图V1;步骤S2:对图像数据进行处理,得到灰度梯度变化剧烈的单个噪声点mask图像Hbx和Vbx;步骤S3:利用灰度分层二值化的方式对图像H1和V1做二值化,得到二值图像Hb和Vb;步骤S4:提取二值图像Hb和Vb最大的前景区域,利用连通域分析,得到二值图像中面积最大的连通域,并将面积最大的标签以外的区域置0,更新二值图像Hb和Vb,即为前景区域的mask图像;利用mask图像,将图像H1和V1的mask等于0的区域置0,即完成图像H1和V1最大前景区域的提取,更新图像H1和V1;步骤S5:缺陷分割网络的数据输入处理;步骤S6:缺陷二值分割网络的网络构建;步骤S7:二值分割图的缺陷定位处理,通过连通域分析标注各个缺陷位置的roi区域,得到缺陷定位的list表;步骤S8:结合缺陷定位的list表,提取每个缺陷位置的roi坐标,使用神经网络的输入图像Ni的roi区域作为缺陷分类网络的输入,然后通过神经网络推理预测缺陷类型。2.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S1中,获取由16步相移加三频外差得到的水平绝对相位图H1、垂直绝对相位图V1。3.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S2中,利用拉普拉斯变换清理水平绝对相位图H1和垂直绝对相位图V1中灰度梯度变化剧烈的单个噪声点,得到灰度梯度变化剧烈的单个噪声点mask图像Hbx(Vbx)。4.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S5中采用(H1,V1,(H1+V1)/2)的三通道作为网络的输入图像Ni,归一化大小为768
×
768。5.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S6中采用类似Unet的网络结构、encode特征提取网络由vgg网络改造而来,命名Feature_block,decode特征解析模块命名concatBlock;卷积层convLayer(In,out,kenel
×
kenel)、采样层Maxpooling(In,out,kenel
×
kenel,stride),kenel表示核的大小,stride表示步长。6.根据权利要求1
‑
5中任意一项所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S2的流程包括:步骤S201:对绝对相位图做拉普拉斯变换,即使用[[0,1,0],[1,
‑
4,1],[0,1,0]]卷积核对水平绝对相位图H1、垂直绝对相位图V1做卷积,得到梯度图像Hl1和Vl1;步骤S202:对梯度图像Hl1和Vl1做绝对值处理,然后利用预设的阈值Ts做二值化,得到二值图像Hb1和Vb1;接着对二值图像进行闭运算,更新二值图像Hb1和Vb1;步骤S203:以二值图像Hb...
【专利技术属性】
技术研发人员:丁凡,葛俊辉,邓俊杰,
申请(专利权)人:湖南视比特机器人有限公司,
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。