一种基于图像分析的刹车片表面缺陷检测系统技术方案

本发明专利技术公开了一种基于图像分析的刹车片表面缺陷检测系统，包括包括刹车片缺陷检测光学模块

【技术实现步骤摘要】
一种基于图像分析的刹车片表面缺陷检测系统


[0001]本专利技术涉及工业缺陷检测
，尤其涉及一种基于图像分析的刹车片表面缺陷检测系统
。

技术介绍

[0002]刹车片是汽车制动系统中重要的安全部件，其质量直接影响到刹车系统的刹车性能
。
在压制生产的过程中，刹车片的摩擦块表面容易出现凹陷
、
凸刺等缺陷
。
目前生产厂家主要靠人工目视筛选摩擦面出现缺陷的产品，但是人工检测方法效率低下，无法适应于工厂大规模的生产环境
。
[0003]随着计算机视觉和图像处理技术的发展，基于机器视觉的自动检测方法正逐渐代替人工目视检测法，并得到越来越广泛的应用
。
目前，主流的机器视觉检测方法是基于模板匹配的检测方法，该方法需要提前制作标准刹车片样本的模板用于比对分析
。
由于现代化工业工艺流程不断优化导致缺陷样本越来越少，即缺陷图像的数量越来越少，为负样本制作标准模板也变得越来越困难
。
并且，基于模板匹配的检测方法每次只能检测单一型号，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像分析的刹车片表面缺陷检测系统，包括刹车片缺陷检测光学模块
、
刹车片摩擦面成像模块
、
刹车片缺陷图像检测模块
、
电机驱动模块和控制系统模块，其特征在于：刹车片缺陷检测光学模块利用投光镜头照射的条纹状光线在待检刹车片的摩擦面上扩散反射，得到待检刹车片摩擦面的粗糙度参数
Ra、Rz
及
R
sm
，刹车片摩擦面成像模块对待检刹车片摩擦面的粗糙度参数
Ra、Rz
及
R
sm
进行视觉化处理，得到待检刹车片摩擦面光滑度图像
P1
和光学缺陷检出图像
P2
，并将光滑度图像
P1
传输给刹车片缺陷图像检测模块，刹车片缺陷图像检测模块利用自定义弱监督深度学习
(WSL
框架
)
对光滑度图像
P1
进行缺陷检测，得到基于自定义弱监督深度学习的刹车片表面缺陷检测结果
P3
，将
P3
和光学缺陷检出图像
P2
进行叠加融合处理，得到缺陷检测结果
P4
，电机驱动模块用于驱动刹车片缺陷检测光学模块和刹车片摩擦面成像模块的镜头转动电机以及电动载物台升降电机，控制系统模块为整个检测系统提供操作系统组件
、
光学解算功能组件
、
电机驱动模块组件以及图像检测模块组件
。2.
如权利要求1所述的基于图像分析的刹车片表面缺陷检测系统，其特征在于：所述刹车片缺陷图像检测模块包括图像分割组件
、
图像增强组件
、WSL
框架组件及刹车片缺陷图像库；图像分割组件用于对光滑度图像
P1
进行分割，为后续缺陷检测提供形状和结构特征；图像增强组件使用平移
、
旋转
、
镜像对比度调整和数据合成方法，获得大量待检样本图像
{P}
；
WSL
框架组件首先使用定位网络
(LNet)
对待检样本图像
{P}
进行训练并输出潜在缺陷位置的热图，然后决策网络
(DNet)
使用
RSAM
对潜在缺陷位置的热图进行加权处理并将检测结果进行图像拼接，得到基于弱监督深度学习的刹车片表面缺陷检测结果
P3
，将
P3
和光学缺陷检出图像
P2
进行叠加融合处理，以得到最终的缺陷检测结果
P4
；刹车片缺陷图像库用于存储合格刹车片图像和缺陷刹车片图像，刹车片缺陷包括刹车片表面密集凹凸不平
、
掉肉
、
表面凹凸
、
表面裂纹
、
杂质共计5种缺陷
。3.
如权利要求1所述的基于图像分析的刹车片表面缺陷检测系统，其特征在于：所述
WSL
框架组件是指一套自定义弱监督深度学习网络，包括用于定位缺陷位置的
LNet
和用于判定是否存在缺陷的
DNet
，
LNet
使用像素级标签训练并输出潜在缺陷位置的热图作为
DNet
输入，
DNet
参考
ResNet
中的残差块设计，通过引入残差空间注意力机制模块
(RSAM)
固定网络权重，以此来判定是否存在缺陷；
WSL
框架网络目标调优函数
L
w
定义如下：
L
w
＝
α
*[
‑
log(1
‑
Q(y|X
，
φ
)2)*(1
‑
y(X))]*y(X)+Q(y|X
，
φ
)log(Q(y|X
，
φ
))+(1
‑
Q(y|X
，
φ
))(log(1
‑
Q(y|X
，
φ
)))
；式中，
α
为网络调节因子，
α
＞0，
X
为输入样本，
φ
为模型参数，
y(X)
为样本
X
的标签值，取值范围为
[0
，
...

【专利技术属性】
技术研发人员：赵冰清，赵彬勇，
申请(专利权)人：安徽相驰车业有限公司，
类型：发明
国别省市：