[发明专利]基于二值图像和模型迁移学习的转子绕线图像检测方法

说明书

本发明公开了一种基于二值图像和模型迁移学习的转子绕线图像检测方法，根据RGB特征将转子绕线训练集图像进行二值化操作，并对二值图像进行去干扰处理，得到转子绕线二值图像构成的训练集；利用ImageNet数据集对Inception‑V3模型进行预训练，得到预训练模型；利用转子绕线二值图像构成的训练集对预训练模型的全连接层进行微调，得到最终的模型；利用最终的模型对根据RGB特征二值化后的待测图像进行检测，进而实现对待测图像的精确检测，与现有技术相比，本发明通过综合二值化图像与迁移学习两种方法，有效地避免了背景和光照因素对检测精度的影响，也解决了训练样本不足的问题，缩短了检测时间并提高了检测准确率。

技术领域

本发明涉及数字图像处理与视觉检测方法，针对转子挂钩处的绕线形态提供了一种检测方法，具体的说，涉及一种基于二值图像和模型迁移学习的转子绕线图像检测方法。

背景技术

随着我国工业自动化与智能化水平的不断提升，电机作为能实现电能转换为机械能的关键产品，被广泛地应用于工业、农业等领域的大型机电设备中，甚至是电梯、冰箱、空调等通用设备中去，随之而来的是，作为电机转动系统的核心部件——转子，其需求量亦在不断增长。

在转子生产过程中，其挂钩处需要和铜丝线环绕，由于操作的不规范性与铜丝自身属性限制，挂钩处易出现断线、漏挂等问题，进而影响产品质量。目前这一环节主要依靠人工抽检，受外界环境干扰与人自身疲劳等因素的影响，检测效率较低，因而，结合目前生产的实际需求，立足于我国数字图像处理与视觉检测方法的现状，如何快速而又准确地检测出挂钩处绕线的合格性成为亟待解决的问题，对城市政治经济、科学技术等方面的发展意义重大。

近年来，卷积神经网络(CNN)已经成功地应用于图像识别，但是它需要大量的标记样本，并且要求目标数据集和源数据集之间几乎没有数据集偏差(由转子绕线图像的背景和光照不同导致)。利用CNN识别转子绕线的难点在于不同类型转子的绕线图像数据存在较大的数据集偏差，标记样本有限。我们提出了一种新的基于模型的迁移学习方法来应对这些挑战。为了解决数据集偏差的问题，提出了一种新的图像二值化方法来获得二值转子绕线图像。使用二值图像训练和测试模型可以显著减少数据集偏差的干扰。同时，我们提出了基于模型的转移学习模型构建方法，该方法基于使用ImageNet数据集训练的Inception-V3模型，用于解决有限标记样本的问题。对比实验表明，用二值图像训练和测试的基于模型的传递学习模型明显优于现有的其他模型，能够实现转子图像的稳定和准确检测。

发明内容

发明目的：本发明的目的在于解决现有的转子绕线图像的检测精度受背景和光照因素的影响，并且存在训练样本不足的问题。本文针对这些问题提出了一种基于二值图像和模型迁移学习的转子绕线图像检测方法，有效地避免了背景和光照因素对检测精度的影响，同时也避免了训练样本不足的问题，实现了转子绕线的自动化和高精度检测。

技术方案：为解决上述问题，本发明提供以下技术方案：

本发明正是针对转子挂钩处的绕线形态进行研究，通过将待测挂线区域图像进行二值化处理并将ImageNet数据集训练的Inception-V3模型迁移到转子绕线图像的数据集上，进而实现转子图像的自动检测。针对待测图像的检测精度受背景和光照因素的影响以及训练样本不足的问题，本文提出了一种基于二值图像和模型迁移学习的转子绕线图像检测方法，有效地避免了背景和光照因素对检测精度的影响，同时也避免了训练样本不足的问题。

技术方案：为实现上述目的，本发明提供以下技术方案：一种基于二值图像和模型迁移学习的转子绕线图像检测方法，具体包括如下步骤：

S1：根据RGB特征将转子绕线训练集图像进行二值化操作，并对二值化图像进行去干扰处理，得到转子绕线二值图构成的训练集；

S2：利用ImageNet数据集对Inception-V3模型进行预训练，并保存模型，得到预训练模型；