[发明专利]一种基于深度学习和机器视觉融合的夹片缺陷检测方法

权利要求书

1.一种基于深度学习和机器视觉融合的夹片缺陷检测方法，其特征在于：包括如下步骤：

(1)夹片工件图像采集；

(2)基于深度学习的方法对夹片进行牙型缺陷检测；

(3)基于机器视觉的方法进行夹片尺寸缺陷检测；

(4)最后统计得到夹片缺陷检测结果。

2.如权利要求1所述的基于深度学习和机器视觉融合的夹片缺陷检测方法，其特征在于：步骤(1)中，通过红色的碗灯进行照明,采用维视图像MV-VD130工业数字相机进行拍照采集，图像分辨率为1280*1024。

3.如权利要求1所述的基于深度学习和机器视觉融合的夹片缺陷检测方法，其特征在于：步骤(2)中，具体步骤如下：

1)建立夹片牙型缺陷数据集，其中包括了平牙、烂牙、重牙、光板缺陷样品图以及合格样品图，每一张夹片样品图都有类别标签；

2)设计卷积神经网络模型；

3)训练卷积神经网络模型；

4)实时调用训练好的模型进行牙型缺陷检测。

4.如权利要求3所述的基于深度学习和机器视觉融合的夹片缺陷检测方法，其特征在于：步骤2)中，所述设计卷积神经网络模型是基于ResNet18基础网络，其中损失层采用中心损失加权融合分类损失的结构；激活函数采用线性修正激活函数ReLU，其具体形式为：f＝max(0；x)，其能够使卷积神经网络的训练速度加快，并且能够较好的传递误差梯度；中心损失center loss表示如下：

其中，L_C表示中心损失函数，x_i表示第i张图片的特征值，表示类y_i的类中心，m表示卷积神经网络超参数mini-batch的大小；

在此损失函数中，每个iteration计算当前数据和center的距离，然后把这个距离以梯度的形式叠加到center上实现的更新：

其中，表示L_C对x_i的梯度，表示的更新量，如果满足更新条件，δ＝1。

5.如权利要求1所述的基于深度学习和机器视觉融合的夹片缺陷检测方法，其特征在于：步骤(3)中，具体步骤如下：

1)图像预处理，对采集到的RGB图像进行灰度化、滤波和图像均衡化；

2)图像二值化，基于大津算法即OSTU算法进行二值化，夹片工件图像有效的被分割为前景和背景：

式中，F(x,y)为二值化后的工件图像，T为大津法即OSTU法计算得到的分割阈值；

3)尺寸测量，基于图像边界像素差异定位到测量边界，进行夹片的尺寸测量；

4)相机标定，利用像素尺寸标定法把测量到的夹片的像素尺寸转换为毫米尺寸。

6.如权利要求1至5任一项所述的基于深度学习和机器视觉融合的夹片缺陷检测方法，其特征在于：步骤(3)中，所述的夹片尺寸缺陷包括料长、料短、锯偏及锯斜四类缺陷。