[发明专利]法兰表面缺陷检测方法及系统和设备

说明书

本发明属于工业化产品外观检测技术领域，特别涉及一种法兰表面缺陷检测方法及系统和设备，该方法中包含：获取待检测法兰图像并定位目标区域，该目标区域至少包含：法兰端面、中心螺栓孔和法兰背面；对目标区域进行语义分割，确定待检测区域；利用像素邻域块灰度阶差异获取待检测区域具有缺陷特征的候选像素点；对候选像素点进行形态学操作与连通域分析，得到候选缺陷位置图像；利用已训练优化的图像识别网络模型对候选缺陷位置图像进行分类识别，去除法兰表面伪缺陷和统计缺陷特征信息。本发明可有效提升法兰表面检测自动化程度，提高法兰产品表面缺陷检测的准确率，降低劳动强度，具有较好的应用价值。

技术领域

本发明属于工业化产品外观检测技术领域，特别涉及一种法兰表面缺陷检测方法及系统和设备。

背景技术

目前，法兰因其具有连接方便，可承受压力大等特点，在机械领域有着广泛应用。特别在各种工业管道中，法兰连接使用非常广泛，对法兰盘的需求量特别大，由此对法兰质量也提出了更高的要求。

然而，由于法兰在生产过程中，由于铸造材料、温度、设备挤压、摩擦和传输过程中的物理划伤、磕碰等因素，导致法兰表面会出现砂眼、未磨出、划伤，碰伤等各种缺陷。这些缺陷不仅会影响产品的外观，还可能会影响产品的实际使用寿命，甚至对法兰产品生产商的声誉也会遭受不良影响。因此，如何快速准确检出法兰表面的各种缺陷成为了亟待解决的问题。表面缺陷检测以往通常采用人工目视方式检测，它存在一些弊端：如，检测精度低且易疲劳；在高温、噪声、粉尘和震动的环境下工作，对身体及心理健康会产生不良影响。近年来，大量学者开始对表面缺陷检测算法开展研究，大多先使用边缘检测技术或小波分解或局部二值化分析等技术分割缺陷，而后通过形态学等方法对分割后的图像进行连通域分析，最后根据缺陷特征信息，采用传统机器学习方式对最终分割结构进行缺陷类别判断。但是，由于产品种类繁多、背景复杂性等因素，导致缺陷形态各异，且传统机器学习表征学习能力有限，难以达到较高的准确性和鲁棒性。

发明内容

为此，本发明提供一种法兰表面缺陷检测方法及系统和设备，可提升自动化程度，提高法兰产品表面缺陷检测的准确率，降低劳动强度。

按照本发明所提供的设计方案，一种法兰表面缺陷检测方法，包含如下内容：

获取待检测法兰图像并定位目标区域，该目标区域至少包含：法兰端面、中心螺栓孔和法兰背面；并对目标区域进行语义分割，确定待检测区域；

利用像素邻域块灰度阶差异获取待检测区域具有缺陷特征的候选像素点；并通过对候选像素点进行形态学操作与连通域分析，得到候选缺陷位置图像；

利用已训练优化的图像识别网络模型对候选缺陷位置图像进行分类识别，去除法兰表面伪缺陷和统计缺陷特征信息。

作为本发明法兰表面缺陷检测方法，进一步的，利用已训练的目标区域检测模型来获取输入图像的目标区域；该目标区域检测模型为YOLOV4网络模型。

作为本发明法兰表面缺陷检测方法，进一步地，目标区域的语义分割至少包含定位销区域、中心螺栓孔区域和排气孔区域语义分割；将定位销区域、中心螺栓孔区域和排气孔区域作为待检测区域。

作为本发明法兰表面缺陷检测方法，进一步地，对法兰图像通过图像增强和边缘分割方式来获取区域轮廓信息，确定待检测区域；将待检测区域外的非检测区域进行定位填充，获取掩膜图。

作为本发明法兰表面缺陷检测方法，进一步地，利用HUBER加权方法与迭代最小二乘法相结合方式获取待检测区域，其中，HUBER加权公式表示为：

其中，W_i表示各像素点距离权重系数，C表示离群点阈值，dis_i表示点到圆心的距离。