[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

说明书

本发明属于轮毂瑕疵检测技术领域，特别涉及一种基于深度神经网络的轮毂表面瑕疵在线检测方法及系统，该方法中包含：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。本发明通过深度神经网络强大的特征提取能力来获取轮毂表面瑕疵的遮罩图像以及瑕疵的相应等级信息，降低劳动强度和工作量，提升效率，具有较好的应用价值。

技术领域

本发明属于轮毂瑕疵检测技术领域，特别涉及一种基于深度神经网络的轮毂表面瑕疵在线检测方法及系统。

背景技术

随着我国经济水平的不断提高，汽车的保有量越来越大。众所周知，轮毂是汽车上必备的组成部分之一，轮毂是轮胎内廓轮钢通过立柱连接的轮芯旋转部分，即支撑轮胎的中心装在轴上的金属部件。又叫轮圈、钢圈、轱辘、胎铃。目前市场上轮毂的主流材质是铝合金，铝合金轮毂的制造方法有三种：重力铸造、锻造、低压精密铸造。采用最多的是重力铸造法，重力铸造法是利用重力把铝合金溶液浇注到模具内，成形后经车床处理打磨，即可完成生产。制造过程较简单，不需精密的铸造工艺，成本低而生产效率高，但是容易产生气泡(砂眼)，密度不均匀，表面平滑度不够。另外，由于铝制品硬度减低，在铸造，运输过程中，很容易出现磕碰和划痕，也经常会出现轮毂表面被油污污染的情况。现有检测沙眼，磕碰等瑕疵主要依靠人工挑选。然而人工质检效率低下，并且受限于人的生理特性，质检准确率很低。特别是在轮毂质检比较严格的情况下，细小和轻微的磕碰，肉眼无法清晰的观察到，从而造成漏检。另外，单个摄像机的分辨率有限，无法单次呈现全局的细节特征。

发明内容

为此，本发明提供一种基于深度神经网络的轮毂表面瑕疵在线检测方法及系统，通过深度神经网络强大的特征提取能力来获取轮毂表面瑕疵的遮罩图像以及瑕疵的相应等级信息，降低劳动强度和工作量，提升效率。

按照本发明所提供的设计方案，一种基于深度神经网络的轮毂表面瑕疵在线检测方法，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。

作为本发明基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步的，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。

作为本发明基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，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。

作为本发明基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，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。

作为本发明基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，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。

作为本发明基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，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。

作为本发明基于深度神经网络的轮毂表面瑕疵在线检测方法，进一步地，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。