[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

说明书

本发明涉及智能检测领域，特别涉及一种基于深度学习的工业元器件外观缺陷检测方法，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；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，将判断结果输出分析待测图像上外观缺陷的纹理、形状信息，并自动判别缺陷类型和参数指标，最终输出待测图像的识别结果。本发明能够提高工业元器件缺陷的检测效率，降低人力劳动成本。

技术领域

本发明涉及智能检测领域，特别涉及一种基于深度学习的工业元器件外观缺陷检测方法。

背景技术

对工业缺陷零件来说，缺陷特征非常细微或者说不明显，通常仅仅在一小块区域存在缺陷特征，特征缺陷与某些非特征缺陷高度相似。而目前，多数工厂工业零件的检测还停留在人工目视检查阶段，产品质量和生产效率面临巨大挑战。人工检验的主要缺点是工作强度大，漏检率较高，检测标准不一致，容易受到人的主观因素影响，加之人工成本随着时间推移越来越高，管理较为复杂，因此无法保证检测质量稳定等。

随着信息与智能化社会的到来，以及深度学习技术的出现，使得工业产品生产逐渐走向智能化生产，工厂工人大规模解放，极大地提高了生产力，降低了劳动成本。而且基于深度学习的人工智能还具备高精度、高效率、升级维护简单等特点，使之在工业元器件外观缺陷检测这一领域具有广泛的应用前景。

发明内容

本发明主要目的在于提供一种基于深度学习的工业元器件外观缺陷检测方法，克服上述现有技术的不足。

为达到上述目的，本发明提供了一种基于深度学习的工业元器件外观缺陷检测方法，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；

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，并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。

本发明的工作原理及优点在于：

采用基于深度学习的图像识别方法，对待检测工件的图像的获取环境进行预先配置，并对得到的待检测图像进行前期处理，能够去除外在因素对检测的影响，且提高了检测效果。采用本发明方法进行待检测工件外观缺陷的识别，只需要将待测工件置于检测平台上，即可对待检测工件的缺陷进行识别，无需人工通过观察进行分选，实现了智能化外观缺陷识别，极大地提高了外观缺陷的识别效率，减少了工作量，降低人工成本。

进一步，步骤S1中还包括以下步骤：

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。

降低工件拍照背景对工件缺陷的干扰，提高检测效果。

进一步，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。

通过多种方式的预处理，更容易得到便于卷积神经网络模型识别的样本图像。

进一步，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；