一种轮毂镜面加工自动光电检测方法技术

本发明专利技术涉及轮毂镜面缺陷检测技术领域，尤其是一种轮毂镜面加工自动光电检测方法，包括有应用于机械手末端的视觉系统和设置有已训练的卷积神经网络的

【技术实现步骤摘要】
一种轮毂镜面加工自动光电检测方法


[0001]本专利技术涉及轮毂镜面缺陷检测
，尤其涉及一种轮毂镜面加工自动光电检测方法
。

技术介绍

[0002]轮毂一般由两种材料制成，一是铁，通过冷轧板冲压而成，冲压成型后外表面涂覆一层涂层，起到保护作用，二是铝合金材料，由于铝合金轮毂具有质量轻
、
散热性能好更为广泛应用；在对铝合金轮毂表面的缺陷进行质量检测时，存在以下问题；
[0003]现有的汽车轮毂表面存在的缺陷分为轮毂表面的擦伤或划痕，主要集中在轮毂轮辐的外表面，属于金属表面缺陷，传统的金属缺陷检测算法有图像差分法
、
图像匹配法等，上述的这些方法无法对缺陷进行分类，即导致在进行铝合金轮毂的镜面检测时，出现金属表面缺陷漏检
、
分类不明确等现象，不利于后续的修复加工；卷积神经网络是一种具有卷积运算的前馈神经网络，属于深度学习算法的一种，应用于手写数字识别
、
车牌字符识别
、
人脸识别以及缺陷检测等等领域
。
为此，亟需提出一种轮毂镜面加工自动光电检测方法，用以解决上述的汽车轮毂在出厂前的轮毂镜面检测时具有的检测分类不明确以及检测效率低的问题
。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种轮毂镜面加工自动光电检测方法，实现了对汽车轮毂镜面的缺陷进行快速的自动检测并分类，且检测效率较高，应用广泛
。
[0005]为达到以上目的，本专利技术采用的技术方案为：一种轮毂镜面加工自动光电检测方法，包括有应用于机械手末端的视觉系统和设置有已训练的卷积神经网络的
PC
机，其特征在于：该方法包括如下步骤：
[0006]S1
：通过视觉系统获取待检测的轮毂表面原始图片，包括划痕缺陷样本图片和擦伤缺陷样本图片以及正常样本图片，并完成分类样本扩充，其中原始图片的像素为
3840
×
2748
；
[0007]S2
：进行图像分割，将采集的原始图片均等分割为
16
份，分割后的图片像素为
960
×
687
；
[0008]S3
：进行图像灰度化，灰度后图像缩小为分割图片的三分之一；
[0009]S4
：进行图像锐化，采用拉普拉斯锐化方法，使图像边缘
、
纹理等特征突出；
[0010]S5
：图像处理完毕后，将图像输入已训练的卷积神经网络中，对轮毂缺陷中的划痕缺陷
、
擦伤缺陷进行检测并分类
。
[0011]优选的，所述视觉系统包括有图像采集工具和照明工具，所述图像采集工具由工业相机和镜头组成，所述照明工具为同轴光源
。
[0012]优选的，所述采集的轮毂表面原始图片包括有轮辐正面及两个轮辐侧面图片
。
[0013]优选的，在已训练的卷积神经网络中，将原始图片中的正常样本数量通过图像对称变换
、
图像添加噪声以及图像缺陷特征位置变换的方式扩充
3.5
倍，其中原始图片的
90
％作为训练集图片，原始图片的
10
％作为测试集图片；将划痕缺陷样本图片和擦伤缺陷样本图片均扩充至正常样本图片的一半，其中划痕缺陷样本图片和擦伤缺陷样本图片的
80
％作为训练集图片，剩余作为测试集
。
[0014]优选的，所述机械手为小型协作机器人，其型号为
UR3
，具有6个自由度且末端自由旋转
。
[0015]优选的，所述工业相机的型号为
MV
‑
CS060
‑
10GM
，所述镜头的型号为康标达
M0824
‑
MPW2。
[0016]优选的，所述已训练的卷积神经网络的各个卷积层和全连接层中的权值参数分别为学习率
、Batch
和迭代次数，其中学习率为
0.2、Batch
的大小为
50、
迭代次数为
5000
次
。
[0017]优选的，当需要对已训练的卷积神经网络的各个卷积层和全连接层中的权值参数进行更新时，向提供所述已训练的卷积神经网络的服务器获取更新后的卷积神经网络的权值参数
。
[0018]与现有技术相比，本专利技术具有以下有益效果：在目前汽车轮毂缺陷检测由人工进行的前提下，通过该方法实现图像处理与卷积神经网络相结合的方式，达到了对汽车轮毂镜面的缺陷进行自动检测并分类的目的
。
附图说明
[0019]图1为本专利技术的方法步骤框图；
[0020]图2为本专利技术的实施例2的实验检测结果表；
[0021]图3为本专利技术的测试检测结果表；
[0022]图4为本专利技术的方法使用实物图
。
具体实施方式
[0023]以下描述用于揭露本专利技术以使本领域技术人员能够实现本专利技术
。
以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型
。
[0024]实施例1[0025]如附图1‑4所示的一种轮毂镜面加工自动光电检测方法，包括有应用于机械手末端的视觉系统和设置有已训练的卷积神经网络的
PC
机，其特征在于：该方法包括如下步骤：
[0026]S1
：通过视觉系统获取待检测的轮毂表面原始图片，包括划痕缺陷样本图片和擦伤缺陷样本图片以及正常样本图片，并完成分类样本扩充，其中原始图片的像素为
3840
×
2748
；
[0027]S2
：进行图像分割，将采集的原始图片均等分割为
16
份，分割后的图片像素为
960
×
687
；
[0028]S3
：进行图像灰度化，灰度后图像缩小为分割图片的三分之一；
[0029]S4
：进行图像锐化，采用拉普拉斯锐化方法，使图像边缘
、
纹理等特征突出；
[0030]S5
：图像处理完毕后，将图像输入已训练的卷积神经网络中，对轮毂缺陷中的划痕缺陷
、
擦伤缺陷进行检测并分类
。
[0031]工作时，参照图4和图1，通过视觉系统获取待检测的轮毂表面原始图片，包括划痕缺陷样本图片和擦伤缺陷样本图片以及正常样本图片，并完成分类样本扩充，其中原始图片的像素为
3840
×
2748
；进行图像分割，将采集的原始图片均等分割为
16
份，分割后的图片像素为
960
×
687
；进行图像灰度化，灰度后图像缩小为分割图片的三分之一；进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种轮毂镜面加工自动光电检测方法，包括有应用于机械手末端的视觉系统和设置有已训练的卷积神经网络的
PC
机，其特征在于：该方法包括如下步骤：
S1
：通过视觉系统获取待检测的轮毂表面原始图片，包括划痕缺陷样本图片和擦伤缺陷样本图片以及正常样本图片，并完成分类样本扩充，其中原始图片的像素为
3840
×
2748
；
S2
：进行图像分割，将采集的原始图片均等分割为
16
份，分割后的图片像素为
960
×
687
；
S3
：进行图像灰度化，灰度后图像缩小为分割图片的三分之一；
S4
：进行图像锐化，采用拉普拉斯锐化方法，使图像边缘
、
纹理等特征突出；
S5
：图像处理完毕后，将图像输入已训练的卷积神经网络中，对轮毂缺陷中的划痕缺陷
、
擦伤缺陷进行检测并分类
。2.
根据权利要求1所述的一种轮毂镜面加工自动光电检测方法，其特征在于，所述视觉系统包括有图像采集工具和照明工具，所述图像采集工具由工业相机和镜头组成，所述照明工具为同轴光源
。3.
根据权利要求1所述的一种轮毂镜面加工自动光电检测方法，其特征在于，所述采集的轮毂表面原始图片包括有轮辐正面及两个轮辐侧面图片
。4.
根据权利要求1所述的一种轮毂镜面加工自动光电检测方法，其特征在于，在已训练的卷积神经网络中，将原始图片中的正常样本数量通过图像对称变换
...

【专利技术属性】
技术研发人员：蒋迎春，任明建，喻小东，陈伟，
申请(专利权)人：贵州龙凯科技有限公司，
类型：发明
国别省市：