[发明专利]金属零件表面缺陷检测与识别方法及装置

说明书

本发明属于机器视觉技术领域，具体涉及一种金属表面缺陷检测与识别方法及装置。旨在解决现有技术在不同的环境下检测和识别精度低的问题。本发明提供一种金属表面缺陷检测与识别方法，包括基于获取的金属零件表面的原始图像，通过预先构建的表面缺陷检测模型对原始图像进行缺陷检测，得到缺陷区域位置；对缺陷区域位置进行轮廓检测，分别得到第一缺陷轮廓和第二缺陷轮廓；将第一缺陷轮廓与第二缺陷轮廓输入预先构建的表面缺陷分类模型，识别出金属零件表面的缺陷类别。本发明的方法具有全自动和检测精度高的优点。

技术领域

本发明属于机器视觉技术领域，具体涉及一种金属表面缺陷检测与识别方法及装置。

背景技术

金属零件广泛应用于各行各业，例如汽车、机械制造和航空航天领域等。在实际生产过程中，由于加工工艺等各种原因，导致零件表面产生各类缺陷，例如划痕、麻点、凹陷、胶痕、异物等等，这些缺陷会严重影响零件的正常工作，因此，及时检测金属表面的缺陷，对缺陷进行严重程度评价，对提高金属表面质量具有重要意义。

目前常用的金属表面缺陷检测主要是通过机器视觉来解决，采用传统的图像处理算法或者机器学习算法来对图像进行检测和识别，但是现有技术的方法针对各式各样的缺陷环境需要设定多种检测阈值，如果环境发生变化，如光照条件等发生变化时，现有技术的方法往往会失效，导致其检测和识别精度很低，鲁棒性和适应性低，无法满足工业生产的高精度要求。

因此，如何提出一种解决上述问题的方案是本领域技术人员目前需要解决的问题。

发明内容

为了解决现有技术中的上述问题，即为了解决现有技术在不同的环境下检测和识别精度低的问题，本发明一方面提供了一种金属零件表面缺陷检测与识别方法，所述方法包括：

基于获取的金属零件表面的原始图像，通过预先构建的表面缺陷检测模型对所述原始图像进行缺陷检测，得到缺陷区域位置；

对所述缺陷区域位置进行轮廓检测，分别得到第一缺陷轮廓和第二缺陷轮廓；

将所述第一缺陷轮廓与所述第二缺陷轮廓输入预先构建的表面缺陷分类模型，识别所述金属零件表面的缺陷类别；

其中，

所述表面缺陷检测模型基于融合卷积网络模型构建，并通过所述原始图像和带有缺陷位置标注信息的金属零件表面图像的训练集进行训练；

所述表面缺陷分类模型基于分类卷积网络模型构建，并对所述分类卷积网络模型的全连接层进行训练。

在上述方法的优选技术方案中，“通过预先构建的表面缺陷检测模型对所述原始图像进行缺陷检测”之前，该方法还包括训练所述融合卷积网络模型，其步骤包括：

对标准金属零件表面图像的缺陷进行标注，得到标注图像；

将所述原始图像和所述标注图像的像素进行数据扩增，得到数据扩增原始图像和数据扩增标注图像，其中，数据扩增包括对所述原始图像和所述标注图像进行仿射变换、亮度变换以及模糊变换；

将所述数据扩增原始图像和所述数据扩增标注图像输入所述表面缺陷检测模型进行K层降维和K层升维操作，得到所述数据扩增标注图像中缺陷的区域位置，其中，K为正整数。

在上述方法的优选技术方案中，“对标准金属零件表面图像的缺陷进行标注”，其方法为：

将所述标准金属零件表面图像中缺陷区域的灰度值设定为0，将非缺陷区域的灰度值设定为1。

在上述方法的优选技术方案中，“将所述数据扩增原始图像和所述数据扩增标注图像输入所述表面缺陷检测模型进行K层降维和K层升维操作”，其方法为：

将所述数据扩增原始图像和所述数据扩增标注图像作为所述表面缺陷检测模型的第一输入图像；