一种基于图像识别的汽车零部件检测方法及系统技术方案

本发明专利技术公开了基于图像识别的汽车零部件检测方法及系统，涉及检测设备技术领域，包括，通过Mask R‑CNN模型处理图像，自动生成多个候选区域并进行初步检测，利用锚点设计方法优化候选区域，并通过粗细粒度特征提取方法，分别提取图像的全局和局部特征，使用特征金字塔网络对提取的特征进行融合，采用密集回归网络对融合后的特征图进行精确标定。通过优化锚点尺寸并结合非最大抑制策略，提高候选区域的准确性，利用粗细粒度特征提取方法提取全局和局部特征，并通过BiFPN进行双向特征融合，确保不同尺度的缺陷信息充分表达，采用密集回归网络进行缺陷的精确标定，提升缺陷检测的精度和质量评估的可靠性。

【技术实现步骤摘要】

本专利技术涉及检测设备，特别是一种基于图像识别的汽车零部件检测方法及系统。

技术介绍

1、随着汽车制造业的迅猛发展，零部件的质量控制要求日益提高，汽车零部件的自动化检测已成为保障产品质量、提高生产效率的重要环节，传统的零部件检测方法主要依赖于人工目检或基于规则的视觉检测技术，这些方法通常存在检测精度不稳定、效率低、主观性强等问题；近年来，基于图像识别的汽车零部件检测成为一种主流趋势，目前，基于深度学习的目标检测方法已广泛应用于工业质量检测场景，在目标定位、分类和缺陷分割方面展现出卓越性能；然而，在实际应用中，零部件表面存在复杂纹理、光照变化、微小缺陷等因素，使得当前检测方法仍存在优化空间；首先，候选区域的准确性对最终检测精度至关重要，传统rpn方法采用固定尺寸的锚点框进行目标提议，难以适应不同大小和形状的缺陷区域，导致误检和漏检问题；其次，在特征提取阶段，传统的cnn结构难以同时兼顾全局特征和局部细节信息，可能会导致小缺陷的特征表达不充分，此外，尽管fpn通过金字塔结构增强了多尺度检测能力，但其信息传递仍然是单向的，无法充分融合高低层特征；因此，如何优化候本文档来自技高网...

【技术保护点】

1.一种基于图像识别的汽车零部件检测方法，其特征在于：包括，

2.如权利要求1所述的基于图像识别的汽车零部件检测方法，其特征在于：所述采集汽车零部件图像数据并进行裁剪指使用数字显微镜对汽车零部件进行图像采集，通过FAST角点检测方法识别出图像中的所有角点，使用ORB特征点算法对FAST生成的角点进行排序，去除不稳定的角点，获取剩余角点的坐标集ω，将坐标集ω中每个角点作为裁剪的基准点，并计算最小矩形包围框，确定裁剪区域，对采集的图像进行裁剪后只保留零部件的区域。

3.如权利要求2所述的基于图像识别的汽车零部件检测方法，其特征在于：所述通过Mask R-CNN模型处理...

【技术特征摘要】

1.一种基于图像识别的汽车零部件检测方法，其特征在于：包括，

2.如权利要求1所述的基于图像识别的汽车零部件检测方法，其特征在于：所述采集汽车零部件图像数据并进行裁剪指使用数字显微镜对汽车零部件进行图像采集，通过fast角点检测方法识别出图像中的所有角点，使用orb特征点算法对fast生成的角点进行排序，去除不稳定的角点，获取剩余角点的坐标集ω，将坐标集ω中每个角点作为裁剪的基准点，并计算最小矩形包围框，确定裁剪区域，对采集的图像进行裁剪后只保留零部件的区域。

3.如权利要求2所述的基于图像识别的汽车零部件检测方法，其特征在于：所述通过mask r-cnn模型处理图像，自动生成多个候选区域并进行初步检测指将裁剪后的图像输入预训练maskr-cnn模型，通过骨干网络提取图像特征，生成多尺度特征图，并通过区域提议网络在特征图上生成含有锚点的多个候选区域，并为每个锚点生成一个二分类得分；

4.如权利要求3所述的基于图像识别的汽车零部件检测方法，其特征在于：所述利用锚点设计方法优化候选区域，并通过粗细粒度特征提取方法，分别提取图像的全局和局部特征，使用特征金字塔网络对提取的特征进行融合指使用k-means聚类算法对候选区域内不同缺陷形态和缺陷尺度，自动选择能最大限度覆盖不同类型缺陷的锚点尺寸；

5.如权利要求4所述的基于图像识别的汽车零部件...

【专利技术属性】
技术研发人员：李保，
申请(专利权)人：南京一浊酒科技有限公司，
类型：发明
国别省市：