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

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，该方法包括以下步骤：S1：获取待测车身的图像数据；S2：对图像数据进行处理，得到Hbx和Vbx；S3：利用灰度分层二值化对图像H1和V1做二值化，得到二值图像Hb和Vb；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，得到mask图像；S5：缺陷分割网络的数据输入处理；S6：缺陷二值分割网络的网络构建；S7：二值分割图的缺陷定位处理；S8：通过神经网络推理预测缺陷类型。该存储介质用来存储执行上述方法的计算机程序。本发明专利技术具有原理简单、检测精度好、检测效率高等优点。等优点。等优点。

【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：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(Vbx)；
[0009]步骤S3：利用灰度分层二值化的方式对图像H1(V1)做二值化，得到二值图像Hb(Vb)；
[0010]步骤S4：提取二值图像Hb(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(Vb)，即为前景区域的mask图像；利用mask图像，将图像H1(V1)的mask等于0的区域置0，即完成图像H1(V1)最大前景区域的提取，更新图像H1(V1)；
[0011]步骤S5：缺陷分割网络的数据输入处理；
[0012]步骤S6：缺陷二值分割网络的网络构建；
[0013]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；
[0014]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。
[0015]作为本专利技术方法的进一步改进：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。
[0016]作为本专利技术方法的进一步改进：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)。
[0017]作为本专利技术方法的进一步改进：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。
[0018]作为本专利技术方法的进一步改进：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。
[0019]作为本专利技术方法的进一步改进：所述步骤S2的流程包括：
[0020]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；
[0021]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；
[0022]步骤S203：以二值图像Hb1和Vb1为mask图像，生成同样大小、初始化为0的mask图像Hb2(Vb2)，使用算子[[0,0,0],[0,1,0],[0,0,0]]判断二值图像中每个点是否为孤立噪点，如果是，则相应图像Hb2(Vb2)坐标位置值置1。
[0023]作为本专利技术方法的进一步改进：所述步骤S3的流程包括：
[0024]步骤S301：设置阈值T1＜T2，以阈值T1对水平绝对相位图H1、垂直绝对相位图V1做二值化，得到二值图像Hb1和Vb1，保留低灰度区域的缺陷区域；以阈值T2对图像H1和V1做二值化，得到二值图像Hb2和Vb2，保留高灰度区域的缺陷区域；
[0025]步骤S302：二值图像Hb1、Vb1、Hb2、Vb2合并，Hb3(Vb3)＝Hb2(Vb2)
‑
Hb1(Vb1)，然后利用3
×
3的矩阵对二值图像Hb3和Vb3做二值图像做膨胀处理，更新二值图像Hb3和Vb3；利用二值图像Hb3和Vb3与二值图像Hb2和Vb2做图像与操作，得到二值图像Hb4和Vb4；再用二值图像Hb4和Vb4作为mask图像，在mask图像为1的位置将图像Hb2和Vb2设置为0，然后对二值图像进行非操作，得到二值图像Hb和Vb。
[0026]作为本专利技术方法的进一步改进：所述步骤S8中，所述神经网络的推断过程包括：
[0027]步骤S801：将输入的4通道图像经过输入层convLayer(3,16,5
×
5)，得到32通道的特征图A0；
[0028]步骤S802：将16通道的特征图A0经过采样层Maxpooling(16,16,2
×
2,2)，得到16通道的特征图A1；
[0029]步骤S803：将16通道的特征图A1像经过输入层convLayer(16,32,5
×
5)，得到32通道的特征图A2；
[0030]步骤S804：将32通道的特征图A2经过采样层Maxpooling(32,32,2
×
2,2)，得到32通道的特征图A3；
[0031]步骤S805：将32通道的特征图A3像经过输入层convLayer(32,64,5
×
5)，得到64通道的特征图A4；
[0032]步骤S806：将64通道的特征图A4经过采样层Maxpooling(64,64,2
×
2,2)，得到64通道的特征图A5；
[0033]步骤S80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：