[发明专利]一种基于深度学习的焊点图像检测方法

权利要求书

1.一种基于深度学习的焊点图像检测方法，其特征在于，包括如下步骤：

步骤1，对焊点图像划分有效子区域；

步骤2，对子区域图像进行预处理，得到对应子区域图像的二值图；

步骤3，对每个子区域图像结合对应的二值图进行第一步识别，包括以下子步骤，

步骤3.1，对二值图进行边界去噪椭圆检测，实现方式如下，

首先，提取二值图像的外轮廓，按逆时针方向对提取的外轮廓做多边形拟合，将每条拟合的线段矢量化，得到向量分别通过计算两向量与基准向量(1,0)之间的夹角α_i-1和α_i，得到两相邻矢量的夹角θ＝α_i-α_i-1，若夹角θ在一定范围之内，则保留，得到一条有效曲线段；

其次，对每条曲线段进行最小二乘椭圆拟合，得到一个椭圆方程，根据曲线段上所有点到对应的椭圆方程的平均距离作为误差判断依据，若误差小于设置参数ε₁，则该曲线段为有效弧线；

最后，将误差最小的前三位中曲线最长的一段有效弧作为基准弧线，依次加入其它有效弧线，直到加入所有有效弧线，最终通过最小二乘椭圆拟合得到一个最佳椭圆方程；

步骤3.2，计算最佳椭圆方程的长轴a、短轴b，若满足γ₁<a<γ₂、γ₃<b<γ₄、进入步骤3.3的处理；

步骤3.3，提取二值图像的内轮廓，以步骤3.2中得到的最佳椭圆为外边界、二值图像的内轮廓为内边界构建椭圆环，将外边界按一定比例扩大得到一外围，设外围与外边界之间的区域对应原图的像素均值为V₁，椭圆环区域对应原图的像素均值为V₂，内边界包围区域对应原图的像素均值为V₃，令Δ₁＝V₁-V₂，Δ₂＝V₃-V₂，若Δ₁和Δ₂均大于某一阈值φ，则标记最佳椭圆的外接矩形区域为疑似焊点区域；

步骤4，利用深度学习网络对疑似焊点区域进行识别，针对步骤3没有检测到疑似焊点的子区域，以其二值图像所有连通域为模板，寻找连通域的左上角点和右下角点，形成一个包含整个连通域的ROI区域，以ROI区域的每个像素点为候选框中心点，按半径为r、步长ω进行滑窗搜索，将每一候选框图像作为深度学习网络的输入，获得识别结果；

步骤5，识别结果判断，若经过以上4步能识别到焊点则待识别区域有焊点，若以上步骤均不能识别到焊点则待识别区域没有焊点。

2.如权利要求1所述的一种基于深度学习的焊点图像检测方法，其特征在于：所述步骤2的实现方式如下，

步骤2.1，对子区域原图进行全局明暗分析，得到子区域图像的偏差值τ₁和明暗值τ₂，其中偏差值τ₁和明暗值τ₂的计算过程如下，

其中，M、N为子区域图像的长和宽，V_ij为点(i,j)的像素值，N_k表示子区域图像在像素值k的像素个数；

当偏差值τ₁和明暗值τ₂在一定范围内时，对子区域原图做直方图统计，若直方图中像素值最大像素的个数大于或等于像素值第二大像素个数的2.5倍，则对子区域图像作均值补偿，若直方图中像素值最大像素的个数小于像素值第二大像素个数的2.5倍，则不做均值补偿，然后对处理后的图像进行Retinex增强；当偏差值τ₁和明暗值τ₂不在上述范围内时，则不对子区域原图作任何处理，最终得到图像A；

步骤2.2，通过步骤2.1中得到的偏差值τ₁和明暗值τ₂，若偏差值τ₁大于一定阈值，则对子区域原图按一定参数值进行gamma增强，若偏差值τ₁小于或等于一定阈值，则不作处理，得到图像B；

步骤2.3，融合图像A和图像B得到增强图C；

步骤2.4，对增强图C进行自适应阈值分割得到二值图D；

步骤2.5，对二值图D进行降噪处理。

3.如权利要求2所述的一种基于深度学习的焊点图像检测方法，其特征在于：所述步骤4中的深度学习网络为VGG-16网络。