【技术实现步骤摘要】
一种改进的铝型材表面缺陷检测方法
[0001]本专利技术涉及铝型材表面缺陷检测
,具体为一种改进的铝型材表面缺陷检测方法
。
技术介绍
[0002]铝元素含量丰富,优点众多,在新产品和新工艺的发展下,铝的用途范围将会不断扩大
。
根据铝产品的型态,可以将铝制品分成三类:第一类是加工材,如板
、
带
、
箔
、
管
、
棒型
、
锻件和粉末等;第二类是铸造铝合金或者盘条线杆电缆等;第三类是日常生活中的各类铝制品
。
目前,铝型材的生产工艺流程分为三个重要步骤:熔铸
、
挤压和氧化,其中熔铸的工艺有配料
、
熔炼和铸造;挤压的工艺有挤压
、
风冷淬火和人工时效;氧化的工艺有表面预处理
、
阳极氧化和封孔
。
[0003]铝型材行业发展迅速,产量持续扩大
。
但是在铝型材的实际生产过程中,常常会受到工厂环境
、
设备及其他条件的影响,不可避免的造成铝型材的表面有缺陷
。
铝型材表面缺陷中存在较多的小目标缺陷,如脏点
、
擦花和漆泡等
。
这些微小的缺陷使生产出来的铝型材不美观,且严重影响铝型材的产品质量和后续使用
。
因此,小目标铝型材表面缺陷检测研究对工业发展及提高产品质量具有重要意义
。
[0004]铝型材 ...
【技术保护点】
【技术特征摘要】
1.
一种改进的铝型材表面缺陷检测方法,其特征在于,具体按照以下步骤实施:步骤
1、
数据预处理阶段;所述步骤1具体按照以下步骤实施:步骤
1.1、
选择阿里云的天池大赛数据集,该数据集里包括单瑕疵图片
、
多瑕疵图片和无瑕疵图片三种类型;铝型材表面缺陷数据集中共有
4356
张图片,包含
1210
张无瑕疵图片,
3146
张单瑕疵图片
、
多瑕疵图片,分辨率均为
2560
×
1920
;单瑕疵图片
、
多瑕疵图片中包含不导电
、
擦花
、
角位漏底
、
桔皮
、
漏底
、
喷流
、
漆泡
、
起坑
、
杂色和脏点共
10
种类型的缺陷,每张图片包含一种或多种缺陷;步骤
1.2、
对单瑕疵图片
、
多瑕疵图片和无瑕疵图片进行翻转
、
旋转和加入高斯噪声操作;步骤
1.3、
采用平均保持双直方图均衡化算法对数据集中对比度低的图片进行增强;步骤
1.4、
采用过采样的方式对数据集中的脏点进行图像增强;步骤
2、
数据集生成阶段;步骤2具体按照以下步骤实施:步骤
2.1、
对于擦花
、
桔皮
、
喷流和杂色四种缺陷,采用
StyleGAN
网络生成仿真图像来对这四种缺陷数据进行数据扩充;步骤
2.2、
采用
LabelImg
开源的标框标注工具对扩充后的数据集进行标注;步骤
2.3、
对扩充后的数据集采用留出法划分,将数据集分为:训练集
、
验证集和测试集,划分比例为:
8:1:1
,训练集的图片共计
6130
张,验证集的图片共计
766
张,测试集的图片共计
766
张;步骤
3、Yolov5
模型改进阶段;步骤3中,对
Yolov5
‑
s
最小网络模型的锚框机制
、
数据增强方式
、
注意力机制
、
损失函数及结构进行改进,以增强小目标的特征提取能力,提出
Yolov5
‑
CA
‑
GFPN
模型;步骤3具体按照以下步骤实施:步骤
3.1、
将
Yolov5
模型中原始
K
‑
Means
的欧氏距离替换为1‑
IoU
;步骤
3.2、
采用马赛克
(Mosaic)
‑9的方式改进
Yolov5
模型的数据增强方式;步骤
3.3、
在
Yolov5
的最小网络模型中加入
CA
注意力机制,构成
Yolov5
‑
CA
模型;步骤
3.3、
采用归一化瓦瑟斯坦距离改进
Yolov5
‑
CA
模型的损失函数;步骤
3.4、
采用广义特征金字塔网络结构改进
Yolov5
‑
CA
模型的脖颈模块;步骤
3.5、
提出
Yolov5
‑
CA
‑
GFPN
模型;步骤
4、
缺陷检测阶段;步骤4具体按照以下步骤实施:步骤
4.1、
设置
Yolov5
‑
CA
‑
GFPN
模型超参数;步骤
4.2、
使用步骤2中划分好的数据集训练
Yolov5
‑
CA
‑
GFPN
模型,并保存网络权重;步骤
4.3、
加载训练好的
Yolov5
‑
CA
‑
GFPN
模型权重,使用测试集进行预测;步骤
4.4、
得到预测结果
。2.
根据权利要求1所述的一种改进的铝型材表面缺陷检测方法,其特征在于,步骤1中平均保持双直方图均衡化算法原理如下:设输入图像为
I
,大小为
M
×
N
,灰度级范围为
[0,L
‑
1]
,其中
L
表示灰度级别的数量;
(1)
计算原始图像的直方图
H(c)
:其中,
δ
(a,b)
是
KroneckerDelta
函数,当
a
=
b
时为1,否则为0,
i
表示图像的行索引,范围通常为
[0,M
‑
1]
,其中
M
是图像的高度,
j
表示图像的列索引,范围通常为
[0,N
‑
1]
,其中
N
是图像的宽度,
c
为表示图像中的灰度级;
(2)
将直方图分为亮区和暗区;选择阈值
T
,使得亮区包含
[0,T]
,暗区包含
[T+1,L
‑
1]
范围的灰度级;
(3)
对亮区进行直方图均衡化计算亮区的像素总数
N
bright
:计算亮区的累积分布函数
C
bright
(c)(CDF)
:其中,公式中的
H(i)
表示灰度级为
i
的像素在图像中出现的次数或频率;将亮区的
CDF
线性映射到灰度级范围
[0,L
‑
1]
:
S
bright
(c)
=
(L
‑
1)
·
C
bright
(c),0≤c≤T(4)
其中
S
bright
(c)
表示亮度增强后的灰度级;
(4)
同理对暗区进行直方图均衡化计算暗区的像素总数
N
dark
:计算暗区的累积分布函数
C
bright
(c)(CDF)
:将亮区的
CDF
线性映射到灰度级范围
[0,L
‑
1]
:
S
dark
(c)
=
(L
‑
1)
·
C
dark
(c),T+1≤c≤L
‑
1(7)
其中
S
dark
(c)
表示暗度增强后的灰度级;
(5)
最后线性插值合并亮区和暗区的均衡化结果:对于每个像素位置
(i,j)
,根据其灰度级
I(i,j)
判断其属于亮区还是暗区;在暗区中的像素灰度级映射为:
F
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。