一种基于机器视觉的金刚石锯片裂纹检测方法及其装置制造方法及图纸

本发明专利技术公开了一种基于机器视觉的金刚石锯片裂纹检测方法及其装置，方法包括以下步骤：S1、拍摄金刚石锯片图像；S2、对金刚石锯片图像进行预处理；S3、对预处理后的金刚石锯片图像进行裁剪，得到刃部图像；S4、对刃部图像进行频率域处理；S5、对经S4处理后的刃部图像进行裂纹拟合及筛选；S6、裁剪出候选裂纹图片并输入裂纹检测模型进行检测；S7、输出结果，其中，S6的裂纹检测模型通过自制数据集训练得到。本发明专利技术涉及的金刚石锯片裂纹检测方法及装置能够实现金刚石锯片裂纹缺陷实时检测，并且检测结果准确可靠。检测结果准确可靠。检测结果准确可靠。

【技术实现步骤摘要】
一种基于机器视觉的金刚石锯片裂纹检测方法及其装置


[0001]本专利技术涉及产品表面缺陷领域，具体而言，涉及一种基于机器视觉的金刚石锯片裂纹检测方法及其装置。

技术介绍

[0002]工业制造过程中，由于现有技术、生产条件等原因，难免会有缺陷样品产生，比如金刚石锯片，制作工艺复杂，在制作过程中难免会出现缺陷品，像裂纹、划痕等表面缺陷就是产品质量受影响的直观表现，为了保证产品的合格率，工厂会在生产流程中设置质量检测这一环节。
[0003]对于金刚石锯片裂纹检测，目前许多工厂仍然采用传统的人工检测方法，但是其具有效率低、工作人员易疲惫、易受人为主观性因素的影响等弊端，于是许多学者开始探索其他表面缺陷检测的方法以取代传统方法。现在工业上用于检测产品表面裂纹缺陷的方法已有激光检测、漏磁检测、涡流检测、荧光磁粉检测、图像处理以及深度学习等，但是前面四种方法比较复杂，成本高；单纯的图像处理方法准确率较低，对环境具有较高要求，普适性低；目前也已有使用深度学习检测裂纹的方法，但是大多是使用的YOLO、CNN等较复杂的神经网络，花费时间长。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种基于机器视觉的金刚石锯片裂纹检测方法及其装置。将传统图像处理方法与深度学习方法相融合，使用频率域增强图像细节，使得能更加精确地提取出刃部上面的裂纹线条，进一步引入深度学习方法，再次对裂纹进行识别判断，从而有效提高裂纹检测的准确率。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]第一方面，提出了一种基于机器视觉的金刚石锯片裂纹检测方法，包括以下步骤：
[0007]S1、拍摄金刚石锯片图像；
[0008]S2、对金刚石锯片图像进行预处理；
[0009]S3、对预处理后的金刚石锯片图像进行裁剪，得到刃部图像；
[0010]S4、对刃部图像进行频率域处理；
[0011]S5、对经S4处理后的刃部图像进行裂纹拟合及筛选；
[0012]S6、裁剪出候选裂纹图像并输入裂纹检测模型进行检测；
[0013]S7、输出结果。
[0014]结合第一方面，进一步地，所述步骤S2中的对金刚石锯片图像进行预处理，包括：
[0015]通过阈值分割得到前景目标图像，对前景目标图像采用中值滤波去噪，使用增强算子强化图像细节，所述中值滤波原理如下：
[0016][0017]其中，是经过中值滤波处理后的图像，g(s,t)是原始图像，S
xy
表示中心在点(x,y)处，大小为m
×
n的矩形子图像窗口(邻域)的一组坐标，m、n为矩形子图窗口的宽和高，都是奇整数；
[0018]所述步骤S3中的对预处理后的金刚石锯片图像进行裁剪，得到刃部图像，包括：
[0019]利用预处理后的金刚石锯片图像中的刃部与其他部位的像素值差异，设置阈值，使用二值化分割得到金刚石锯片其他部位的图像，再用预处理后的金刚石锯片图像减去所述金刚石锯片其他部位的图像，得到金刚石锯片刃部图像。
[0020]结合第一方面，进一步地，所述步骤S4中的对刃部图像进行频率域处理，包括：
[0021]通过傅里叶变换转换到频域，再使用高斯滤波器对图像进行计算，增强高频信息，之后对图像进行傅里叶逆变换，转换到空间域，所述傅里叶变换及逆变换为二维离散傅里叶变换及反变换，其原理如下：
[0022]令f(x,y)表示一幅大小为M
×
N的图像，M为图像的宽，N为图像的高，其中，x＝0,1,2,
…
，M
‑
1和y＝0,1,2,
…
,N
‑
1,二维离散傅里叶变换表示为F(u,v)，公式为：
[0023][0024]其中，u＝0,1,2,
…
,M
‑
1，v＝0,1,2,
…
,N
‑
1，这两个变量是频率域中的坐标；
[0025]逆变换公式为：
[0026][0027]其中，x＝0,1,2,
…
,M
‑
1，y＝0,1,2,
…
,N
‑
1，这两个变量是空间域中的坐标；
[0028]所述高斯滤波原理如下:
[0029][0030]其中，(x,y)是图像中的点的坐标，σ为标准差。
[0031]结合第一方面，进一步地，所述步骤S5的对经S4处理后的刃部图像进行裂纹拟合及筛选，包括：
[0032]对经频率域处理后的刃部图像上的线条进行拟合，设定长度及宽度阈值，提取经S4处理后的刃部图像中的线条，按长度从长到短排列，根据预设的候选裂纹数量从长到短选取线条作为候选裂纹，进入下一步的检测。
[0033]结合第一方面，进一步地，所述步骤S6的裁剪出候选裂纹图像并输入裂纹检测模型进行检测，包括：
[0034]将筛选出来的候选裂纹裁剪下来，输入得到裂纹检测模型中进行检测，所述裂纹检测模型为SqueezeNet模型，其结构包括：
[0035]卷积层、火模块(fire module)、降采样层和全连接层，在每一个卷积层后都使用一个线性整流函数(ReLU)作为激活函数，在第九层火模块(fire module)之后连接一个丢失率为0.5的退出层(dropout)以防止过拟合，最后使用归一化指数函数(softmax)进行归一化，将上一层网络的输出值转化为裂纹和非裂纹两种类别的概率，选取概率最大的类别作为预测结果，其中，所述线性整流函数(ReLU)原理如下：
[0036]f(x)＝max(0,x)(5)
[0037]其中，x表示卷积层的输出值，使用线性整流函数(ReLU)可以克服梯度消失问题，
加快网络模型训练速度；
[0038]所述归一化指数函数(softmax)原理如下：
[0039][0040]其中，z
i
为第i个节点的输出值，C为输出节点的个数，即分类的类别个数，经过归一化指数函数，就可以将输出值转换为[0,1]范围内的概率分布；
[0041]所述的火模块(fire module)包括：
[0042]挤压层(squeeze)和扩展层(expand)，挤压层是一组1
×
1卷积组成的卷积层，扩展层由一组1
×
1卷积和一组3
×
3卷积组成，扩展层的两部分输出结果合并作为火模块(fire module)的输出；
[0043]此外，裂纹检测模型训练方法，包括以下步骤：
[0044]S61、制作裂纹和非裂纹数据集；
[0045]S62、对网络进行权值初始化；
[0046]S63、将数据集输入初始化后的SqueezeNet网络模型，经过卷积层、火模块(fire module)、下采样层、全连接层的向前传播得到输出结果；
[0047]S64本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的金刚石锯片裂纹检测方法，其特征在于，包括以下步骤：S1、拍摄金刚石锯片图像；S2、对金刚石锯片图像进行预处理；S3、对预处理后的金刚石锯片图像进行裁剪，得到刃部图像；S4、对刃部图像进行频率域处理；S5、对经S4处理后的刃部图像进行裂纹拟合及筛选；S6、裁剪出候选裂纹图像并输入裂纹检测模型进行检测；S7、输出结果。2.根据权利要求1所述的一种基于机器视觉的金刚石锯片裂纹检测方法，其特征在于，所述步骤S2中的对金刚石锯片图像进行预处理，包括：通过阈值分割得到前景目标图像，对前景目标图像采用中值滤波去噪，使用增强算子强化图像细节，所述中值滤波原理如下：其中，是经过中值滤波处理后的图像，g(s,t)是原始图像，S
xy
表示中心在点(x,y)处，大小为m
×
n的矩形子图像窗口的一组坐标，m、n为矩形子图窗口的宽和高，都是奇整数；所述步骤S3中的对预处理后的金刚石锯片图像进行裁剪，得到刃部图像，包括：利用预处理后的金刚石锯片图像中的刃部与其他部位的像素值差异，设置阈值，使用二值化分割得到金刚石锯片其他部位的图像，再用预处理后的金刚石锯片图像减去所述金刚石锯片其他部位的图像，得到金刚石锯片刃部图像。3.根据权利要求1所述的一种基于机器视觉的金刚石锯片裂纹检测方法，其特征在于，所述步骤S4中的对刃部图像进行频率域处理，包括：对得到的刃部图像进行颜色反转，通过傅里叶变换转换到频域，再使用高斯滤波器对图像进行计算，增强高频信息，之后对图像进行傅里叶逆变换，转换到空间域，所述傅里叶变换及逆变换为二维离散傅里叶变换及反变换，其原理如下：令f(x,y)表示一幅大小为M
×
N的图像，M为图像的宽，N为图像的高，其中，x＝0,1,2,
…
，M
‑
1和y＝0,1,2,
…
,N
‑
1,二维离散傅里叶变换表示为F(u,v)，公式为：其中，u＝0,1,2,
…
,M
‑
1，v＝0,1,2,
…
,N
‑
1，这两个变量是频率域中的坐标；逆变换公式为：其中，x＝0,1,2,
…
,M
‑
1，y＝0,1,2,
…
,N
‑
1，这两个变量是空间域中的坐标；所述高斯滤波原理如下:其中，(x,y)是图像中的点的坐标，σ为标准差。4.根据权利要求1所述的一种基于机器视觉的金刚石锯片裂纹检测方法，其特征在于，
所述步骤S5的对经S4处理后的刃部图像进行裂纹拟合及筛选，包括：对经频率域处理后的刃部图像上的线条进行拟合，设定长度及宽度阈值，提取经S4处理后的刃部图像中的线条，按长度从长到短排列，根据预设的候选裂纹数量从长到短选取线条作为候选裂纹，进入下一步的检测。5.根据权利要求1所述的一种基于机器视觉的金刚石锯片裂纹检测方法，其特征在于，所述步骤S6的裁剪出候...

【专利技术属性】
技术研发人员：陈义友，王德全，陈坚松，王小勇，宋文雯，王梦，
申请(专利权)人：苏州阿普奇物联网科技有限公司，
类型：发明
国别省市：