[发明专利]基于深度神经网络的轮毂表面瑕疵在线检测方法及系统

权利要求书

1.一种基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，包含如下内容：

通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；

利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；

利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。

2.根据权利要求1所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，利用检测台机械臂来固定用于拍摄的RGB相机，通过机械臂带动RGB相机到对应拍摄点位采集轮毂表面图像。

3.根据权利要求2所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，机械臂前端设置有用于拍摄图像光照均匀的扇形光源；且，同一轮毂表面图像的采集中，每次拍摄均在相同的图像分辨率下进行。

4.根据权利要求1所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，所述滤波器采用用于抑制低频信息的高通滤波器，预处理过程采用的滤波器表示为：其中，为冲激响应函数，D₀表示截止频率，μ、ν分别表示频谱图上的横纵坐标。

5.根据权利要求1所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，利用已训练优化的深度神经网络提取滤波后的图像特征；该已训练优化的深度神经网络包含：用于提取输入数据的彩色图像特征的瑕疵编码器，用于对彩色图像特征进行解码的瑕疵解码器，及用于获取轮毂瑕疵遮罩的单元模块。

6.根据权利要求5所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，采用梯度下降方法对深度神经网络进行训练优化，并设置最大迭代次数或网路损失限制作为迭代终止条件。

7.根据权利要求5或6所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，深度神经网络损失函数表示为：其中，i为训练集对应的索引，为预测值，yⁱ为真实值，N为用于训练优化的样本数量。

8.根据权利要求1所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，瑕疵等级预测模型包含：用于提取缺陷信息特征的缺陷等级信息编码器，和用于通过全连接操作来获取当前轮毂缺陷等级信息的全连接层。

9.根据权利要求1或8所述的基于深度神经网络的轮毂表面瑕疵在线检测方法，其特征在于，瑕疵等级预测模型采用交叉损失函数进行训练优化，其中，交叉损失函数表示为：其中，i为训练集对应的索引，y_i为预测值，t_i为目标值。

10.一种基于深度神经网络的轮毂表面瑕疵在线检测系统，其特征在于，包含：图像采集模块、图像处理模块和图像识别模块，其中，

图像采集模块，用于通过分块拍摄来采集轮毂表面图像，每次拍摄均兼顾轮毂相邻分块区域；

图像处理模块，用于利用滤波器对轮毂表面图像数据进行预处理，并提取获取滤波后数据的图像特征；

图像识别模块，用于利用已训练优化的瑕疵等级预测模型对图像特征进行分类识别，获取当前轮毂缺陷的等级信息。