[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

说明书

本发明公开了一种基于深度学习和机器视觉融合的夹片缺陷检测方法，涉及自动检测技术领域，所解决的问题是为了克服基于机器视觉的夹片质量检测方法中因人工提取特征而造成的检测准确率不高的问题，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。本发明技术方案实现简单，能有效地提高夹片缺陷检测准确率。

技术领域

本发明涉及自动检测技术领域，具体涉及一种基于深度学习和机器视觉融合的夹片缺陷检测方法。

背景技术

随着预应力锚具技术的发展，锚具夹片(简称夹片)在预应力锚具工程中所占比例越来越大，被广泛应用于各种桥梁道路建筑施工中,其质量的好坏直接影响预应力构筑物的安全，如果存在质量缺陷的工件若流入市场，严重时可能导致建筑发生安全事故,极大地破坏了社会安全和人民财产,同样给生产企业带来极大的经济损失和责任风险。

因此,对夹片质量缺陷的检测是非常重要的环节，目前生产线上多采用人工检测，效率低、成本高。鉴于人工检测的不足，目前基于机器的视觉检测方法已经出现，公开号为CN107490583A名称为“一种基于机器视觉的夹片缺陷检测方法”的中国发明专利公开了一种夹片缺陷检测方法，该方法能基于机器视觉对夹片质量缺陷进行检测，有效地解决了人工检测速度慢、效率低、成本高的问题，但该方法还是依靠人工提取特征，因此检测准确率有待进一步提高。

发明内容

针对现有技术的不足，本发明所解决的问题是为了克服基于机器视觉的夹片质量检测方法中因人工提取特征而造成的检测准确率不高的问题。

为解决上述技术问题，本发明采用的技术方案是一种基于深度学习和机器视觉融合的夹片缺陷检测方法，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。

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。

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。

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：