[发明专利]一种机械零件缺陷检测方法及系统

权利要求书

1.一种机械零件缺陷检测方法，其特征在于，所述检测方法包括如下步骤：

建立机械零件的图像样本库；

对所述图像样本库中的图像样本进行预处理；

建立稠密网络模型，并利用预处理后的图像样本对所述稠密网络模型进行训练，得到训练后的稠密网络模型；

利用所述训练后的稠密网络模型检测机械零件的缺陷。

2.根据权利要求1所述的一种机械零件缺陷检测方法，其特征在于，对所述图像样本库中的图像样本进行预处理，具体包括：

对所述图像样本进行霍夫变换，提取图像样本中的零件区域；

提取零件区域中的非检测区域，对所述零件区域中的非检测区域进行掩膜处理，得到掩膜后的图像样本；

将所述掩膜后的图像样本划分为多个图像块；

对每个所述图像块进行仿射变换处理，得到预处理后的图像样本。

3.根据权利要求1所述的一种机械零件缺陷检测方法，其特征在于，所述建立稠密网络模型，具体包括：

建立输入层，在输入层使用卷积和池化操作提取输入图像的特征信息；

建立稠密块，基于所述稠密块利用公式x_l＝H_l([x₀,x₁,...,x_l-1])进一步提取输入图像的特征信息；

式中，H₁(·)为多个操作的串联：批规范->激活->卷积核为1×1的->批规范->激活->卷积核为3×3的卷积，x₀、x₁、x_l-1、x_l分别为第0层、第1层，第l-1层和第l层的输出；

建立过渡层，在过渡层引入压缩参数ρ，使用卷积和池化操作，降低卷积核参数θ的数量；

建立分类层，使用分类层，输出检测预测结果y。

4.根据权利要求1所述的一种机械零件缺陷检测方法，其特征在于，所述利用预处理后的图像样本对所述稠密网络模型进行训练，得到训练后的稠密网络模型，具体包括：

建立交叉熵损失函数模型，如下式所示：

将所述预处理后的图像样本输入所述稠密网络模型，采用动量梯度下降法，求解所述交叉熵损失函数模型的损失函数值最小时，所述稠密网络模型的卷积核参数θ的值，作为所述稠密网络模型的最优卷积核参数；

式中，表示对应与输入预处理后的图像样本的稠密网络模型的输出值，y表示所述输入预处理后的图像样本中零件缺陷位置的实际值，表示输出值与实际值y的损失函数值。

5.根据权利要求4所述的一种机械零件缺陷检测方法，其特征在于，所述将所述预处理后的图像样本输入所述稠密网络模型，采用动量梯度下降法，求解所述交叉熵损失函数模型的损失函数值最小时，所述稠密网络模型的卷积核参数θ的值，具体包括：

将所述预处理后的图像样本输入所述稠密网络模型，利用动量梯度下降公式求解所述交叉熵损失函数模型的损失函数值最小时，所述稠密网络模型的卷积核参数θ的值；

式中，v_dθ表示卷积参数的动量梯度，v₀为卷积参数的动量初始值，β为常数，α为训练学习率。

6.根据权利要求1所述的一种机械零件缺陷检测方法，其特征在于，所述利用所述训练后的稠密网络模型检测机械零件的缺陷，具体包括：

获取待检测零件的图像；

对所述待检测零件的图像进行预处理，获得预处理后的待测图像；

将所述预处理后的待测图像输入所述训练后的稠密网络模型，获得所述待检测零件的检测结果。