[发明专利]一种基于深度学习的工件缺陷检测方法

说明书

本发明涉及一种基于深度学习的工件缺陷检测方法，包括已下步骤：1)图像采集：根据传输带、摄像机、玻璃板等设备搭建工件自动检测装置，通过自动化方式采集待检侧工件图像。2)图像预处理：将采集到的图像通过图像增强、锐化滤波、暗通道去雾等算法进行图片预处理，凸显工件特征，提高检测的准确性与科学性。3)缺陷检测模型：在Faster R‑CNN模型基础上，将Resnet50作为主干网络，引入可变形卷积和特征金字塔结构训练缺陷检测模型。并用训练好的模型进行检测，根据缺陷位置和面积大小判断工件是否存在缺陷。4)手柄分类：通过机械手柄将有缺陷和无缺陷的工件进行分类放置。本发明旨在改进FasterR‑CNN深度神经网络，从而自动化地检测工件是否存在缺陷，提高工件缺陷检测准确率，降低工件生产成本。

技术领域

本发明属于缺陷检测领域，具体说是一种基于深度学习的工件缺陷检测方法。

背景技术

随着现代制造业的不断发展，快速成型技术日趋成熟，广泛应用于工业生产之中。由于铸造工艺、生产工序、材料品质等问题的存在，使得生产出的部分工件存在缺陷。艺术品、纪念品等以外观质量为主要评价标准的观赏类产品，其市场价值由外观质量决定，若外观存在缺陷则为废品。而如钢材、五金制品等以使用价值为主要评价标准的实用类产品，其市场价值由使用价值决定，若工件的缺陷会直接影响后期使用的安全性与稳定性，则该工件为废品。

在目前实际生产中，工件缺陷检测仍以人工检测为主。对于普通产品，由生产线上的工人通过肉眼观察，对具有缺陷的产品进行挑拣，当存在大量废品时，对生产过程进行一定干预和调整，排除生产设备故障，降低废品率。对于合格率较高的产品，专业质检员工通过专业仪器对生产的产品进行仔细测量和检测，提高产品质量。因此，人工检测的人力成本大大提高了工件制作成本。此外，由于人工检测存在一定的错误率，无法及时发现故障并减少损失。因此，改进工件缺陷检测方法，提高生产效率和控制质量精度，具有巨大的现实意义。

发明内容

本研究旨在改进FasterR-CNN深度神经网络，从而自动化地检测工件是否存在缺陷，提高工件缺陷检测准确率，降低工件生产成本。

采用Faster R-CNN作为基本架构，融合Resnet50作为主干网络。此外，引入可变形卷积提取不同形态的缺陷特征，并通过特征金字塔结构解决多尺度变化问题。

本发明为实现上述目的所采用的技术方案是：一种基于深度学习的工件缺陷检测方法，包括以下步骤：

1)图像采集：在流水线上设置工件自动检测装置，采集待检测工件图像；

2)图像预处理：将采集到的图像依次通过图像增强、暗通道去雾算法进行图片预处理，得到预处理后的图像；

3)采用缺陷检测模型检测：将预处理后的图像输入至缺陷检测模型，得到缺陷类别和面积大小以判断工件是否存在缺陷；

4)手柄分类：通过机械手柄将有缺陷和无缺陷的工件进行分类放置。

所述的工件自动检测装置包括玻璃板和摄像机；工件通过漏斗，均匀平铺于传输带上，随着传输带运输至玻璃板；玻璃板上、下方装有摄像机，用于获取工件照片并发送给处理器，经处理器判断后将信号发送给机械手柄进行分类。

所述图像增强具体为图像灰度变换增强、直方图均衡增强、细节增强滤波方法中的任意一种。

所述缺陷检测模型采用Faster R-CNN模型，其中作为主干网络的Resnet 50中，最后一层采用可变形卷积。

所述缺陷检测模型采用Faster R-CNN模型，其中，在Resnet 50与RPN之间设有特征金字塔。

所述缺陷检测模型的训练具体如下：

将历史工件缺陷图像作为缺陷检测模型的输入，缺陷位置和分类作为输出，对缺陷检测模型进行训练。