[发明专利]一种基于深度学习的工业元器件外观缺陷检测方法

权利要求书

1.一种基于深度学习的工业元器件外观缺陷检测方法，其特征在于：包括以下步骤：

S1、图像获取步骤：将待测工件置于检测平台上，在稳定、均匀的照明环境下，通过检测平台上的相机获取待测工件外表面的图像数据；

步骤S1中还包括S101步骤：

S101、拍照条件准备步骤：在检测平台上根据工件颜色配置拍摄背景，并根据拍摄背景为相机配置照明光源；

S2、图像处理步骤：对获取的图像数据进行图像前期处理，得到待诊断图像；

S3、图像分析和识别步骤：获取基于深度学习构建的卷积神经网络模型对待诊断图像进行判断，自动判断缺陷类型和参数指标，最终输出待测图像的识别结果；

所述检测平台包括顶部可翻转打开、闭合的盒体，所述盒体内部中空，盒体内的底面安装有旋转台，旋转台包括旋转盘和步进电机，步进电机固定在盒体内的底面上，步进电机的转轴为竖直方向设置；旋转盘设置在步进电机上方，且与步进电机的转轴同轴线固定设置；盒体内部一侧侧壁上的中部固定设置有样本图像采集摄像头，该侧壁的相对侧壁上安装固定有电子背景调色板；盒体盒盖的内侧面安装固定有亮度可调的光源，盒体内部的侧面上均涂有漫反射涂层；

所述检测平台还包括样本图像采集控制模块，样本图像采集控制模块用于在采集待测工件的图像或采集样本工件的图像时，控制调节盒体内部的图像采集环境，图像采集控制模块包括以下模块：

图像采集环境预设模块：用于在将工件放在旋转盘后，根据电子背景调色板和光源预设的预设值，将电子背景调色板和光源开启；

工件定位模块：用于通过样本图像采集摄像头采集工件的侧面图像，并定位侧面图像中工件的位置；

颜色匹配模块：用于解析侧面图像中定位的工件的颜色，根据工件的颜色匹配对比度高的背景色，并将电子背景调色板调节为所述背景色；

光源亮度调节模块：用于解析背景色的色温，并根据色温调节光源的亮度；

图像获取模块：用于在将电子背景调色板和光源调整好之后，控制步进电机和样本图像采集摄像头分别对工件的四个侧面进行图像采集。

2.根据权利要求1所述的基于深度学习的工业元器件外观缺陷检测方法，其特征在于：所述图像前期处理包括去噪、滤波、裁剪、旋转、拉伸、亮度修正、颜色转换、图像分割、分辨率调整、二值化、区域标记和轮廓提取。

3.根据权利要求1所述的基于深度学习的工业元器件外观缺陷检测方法，其特征在于：所述图像分析和识别步骤还包括以下步骤：

S201、样本数据获取步骤：获取存在缺陷的工业元器件的样本，将样本置于检测平台上，在稳定、均匀的照明环境下，通过检测平台上的相机获取样本外表面的样本图像数据集；

S202、模型构建步骤：基于深度学习构建卷积神经网络模型，根据样本图像数据集对卷积神经网络模型进行迭代训练，然后进行测试，测试完成后输出训练成功的卷积神经网络模型。

4.根据权利要求3所述的基于深度学习的工业元器件外观缺陷检测方法，其特征在于：所述步骤S3具体包括以下步骤：

S301、缺陷识别步骤：将待诊断图像输入已经训练好的卷积神经网络模型中，并输出是否有缺陷、缺陷位置与缺陷类型信息，并将缺陷、缺陷位置与缺陷类型信息保存到数据库中；

S302、缺陷分析步骤：在输出待诊断图像有缺陷时，分析待测图像上外观的缺陷的纹理、形状信息，并将纹理、形状信息保存到数据库中。

5.根据权利要求4所述的基于深度学习的工业元器件外观缺陷检测方法，其特征在于：所述步骤S301中，每一张训练图像包含S×S个网格，每一个网格产生B个预测的可能包含缺陷的矩形框，每一张训练图像上缺陷的位置由5个参数组成，分别为x,y,w,h,P，其中x与y是矩形框的中心相对于负责该缺陷的网格左上角的位置偏移量，w与h是矩形框的长和宽，P是指矩形框中含有缺陷的置信度。

6.根据权利要求5所述的基于深度学习的工业元器件外观缺陷检测方法，其特征在于：所述步骤S301中，所述卷积神经网络模型包括24个卷积层和2个全连接层。