[发明专利]一种圆形零件缺陷检测方法

说明书

本申请公开了一种圆形零件缺陷检测方法，其包括：获取待检测产品的图像，待检测产品中包含圆形零件；采用经训练的U‑Net图像分割模型对所述图像进行分割，获得对应于圆形零件的目标区域的二值化图形；提取二值化图形的边缘；基于二值化图形的边缘提取特征数据；以及基于特征数据采用经训练的SVM分类器进行分类，从而判别圆形零件是否有缺陷。根据本发明实施例，可以提高圆形零件图像分割的精确度和鲁棒性，并且有助于实现既准确又快速的检测。

技术领域

本发明总体上涉及缺陷检测技术，特别是适用于圆形零件的缺陷检测方法。

背景技术

圆形工业零件缺陷检测是工业检测领域面对的主要问题之一，传统的人工检测抽样率低，实时性差，受人工经验和主观因素影响大。

基于机器视觉的检测方法受到了人们的关注和应用。传统的机器视觉算法大部分是采用灰度化、归一化、滤波和分水岭分割等相结合的方法进行图像分割。然而，这些方法在实际应用中有局限性并且需要比较精细的参数调整，同时存在鲁棒性较差的问题。

此外，在对圆形零件的圆形目标区域分割完成后，通常要对目标分割区域是否存在缺陷进行检测和分类。图像检测的常规网络有：Mask-RCNN、Segmentation-based deep-learning等专业网络，但这些网络过于庞大，训练周期较长，检测较为耗时，且对于圆形特征不具有针对性。

因此，针对圆形零件缺陷，尚有待于开发一种更加准确、有效的缺陷检测方法。

发明内容

本发明的目的是提供一种圆形零件缺陷检测方法，以至少部分地解决现有技术中存在的问题。

根据本发明的一个方面，提供了一种圆形零件缺陷检测方法，其包括以下处理：

获取待检测产品的图像，待检测产品中包含圆形零件；

采用经训练的U-Net图像分割模型对所述图像进行分割，获得对应于圆形零件的目标区域的二值化图形；

提取二值化图形的边缘；

基于二值化图形的边缘提取特征数据；以及

基于特征数据采用经训练的SVM分类器进行分类，从而判别圆形零件是否有缺陷。

所述处理优选为在线进行的。

在有利的实施例中，基于所述二值化图形的边缘提取特征数据包括：拟合计算所述边缘的圆心(a,b)、半径r，并按照下式计算定位误差ε_pos：

式中(x_i,y_i)表示所述边缘上的点的坐标，E表示边缘上的点的数量；提取半径r和定位误差ε_pos作为特征数据；并且所述SVM分类器以所述半径r和定位误差ε_pos作为输入的两个特征进行二分类。

进一步优选地，所述拟合计算采用最小二乘法。

在有利的实施例中，提取二值化图形的边缘包括采用Sobel算子进行边缘检测。

在一些实施例中，U-Net图像分割模型中卷积过程按照下式进行：

式中l表示层数，M_j代表输入的特征图，k为卷积核，b代表偏置，f为激活函数，其中，所述激活函数f优选为Relu函数。

U-Net图像分割模型中所使用的池化方法优选为最大池化法。

所述圆形零件缺陷检测方法还可以包括离线训练U-Net图像分割模型。在优选的实施例中，U-Net图像分割模型的离线训练中采用二元交叉熵与DICE系数损失的结合作为损失函数Loss：