[发明专利]一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法

权利要求书

1.一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法，其特征在于：包括以下步骤：

s1、采集主缸凹槽区域图像；

s2、利用s1步骤采集的主缸凹槽图像进行图像预处理，去除干扰信息，减少客观因素带来的影响，构建凹槽表面图像数据集；

s3、利用s2步骤构建的凹槽表面图像数据集，划分为图像训练集和图像测试集；

s4、利用FCOS算法构建缺陷检测深度神经网络模型；

s5、利用中心概率预测法优化s4步骤建立的缺陷检测深度神经网络模型，得到优化后的缺陷检测深度神经网络模型；

s6、利用s3步骤构建的图像训练集对s5步骤所构建的优化后的缺陷检测深度神经网络模型进行迭代训练，得到训练后的缺陷检测深度神经网络模型；

s7、利用s3步骤构建的图像测试集对s6步骤所构建的训练后的缺陷检测深度神经网络模型进行测试，得到检测缺陷的准确率，判断是否符合要求；若不符合，将图像训练集输入至网络继续训练模型；若符合，则执行步骤s8；

s8、利用s7步骤训练后的缺陷检测深度神经网络模型检测实际待检测的主缸凹槽图像，实现自动化缺陷检测与识别；

s9、利用s8步骤输出缺陷检测与识别结果；

所述步骤s2中具体包括以下步骤：

s21、利用步骤s1采集的主缸凹槽图像进行灰度转化，获取垂直方向的所有像素值；

s22、利用步骤s21获得的图像垂直方向像素值，采用像素极大值计算方法获得像素极大值；

s23、利用步骤s22计算获得的像素极大值对原始图像进行分割，设置边缘阈值T，裁剪获得图像ROI区域，得到主缸缺陷图片，构建凹槽表面图像数据集；

所述步骤s4构建表面缺陷检测深度神经网络，采用以ResNet为基础网络的FCOS网络结构，包括输入层、基础网络、特征金字塔网络、逐像素预测和损失函数五部分；

所述输入层为分辨率为800×1024像素大小的RGB三通道图像；

所述基础网络为构建以ResNet为基础的卷积神经网络结构，用于改变图像大小，为后续的多尺度特征融合网络做准备；所述基础网络由4组48个卷积层组成，其中每一组卷积层分别有1、3、8、36个卷积层；

所述特征金字塔网络由4层卷积层自顶向下进行卷积，每层卷积核大小为3×3，卷积核个数逐层增加，分别为64、256、512、1024、2048；其中由ResNet网络中Conv3、Conv4、Conv5是通过1×1卷积层再和高层特征2倍上采样的结果进行融合得到P3、P4、P5，其步幅分别8、16、32，每个特征级都进行逐像素预测；

所述逐像素预测是构建FCOS网络的核心，利用特征图中每个像素点的位置经过映射得到预测边界框从而进行分类；

所述损失函数由目标类别、目标边界框的位置回归两部分构成。

2.根据权利要求1所述的一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法，其特征在于：所述步骤s3具体包括以下步骤：

s31、按4：1的比例将步骤s23获得的凹槽表面图像数据集中的主缸缺陷图片分为训练集和测试集；

s32、利用步骤s31划分的训练集进行标记，记录缺陷的位置和类别信息，使用训练集进行训练网络，使用测试集验证模型的检测速度和检测精度。

3. 根据权利要求1所述的一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法，其特征在于：目标类别的损失函数采用Focal loss函数；所述目标边界框的位置回归函数采用IOU loss函数。