[发明专利]一种用于电源适配器外观缺陷的实时高精度检测方法

权利要求书

1.一种用于电源适配器外观缺陷的实时高精度检测方法，其特征在于，包括以下步骤：

步骤1、将多个高分辨率的相机固定在流水线的左右和正上方，对电源适配器的外观图像进行采集；在第一轮采集后，机械臂进行交接和翻转，对剩下的三个面表面图像进行采集；获得电源适配器六个面的高清图像；从高清图像中获取少量电源适配器外观缺陷图片，对缺陷图片中的缺陷区域进行人工标注，得到的标注为最小外接矩形：

[name_id，category，X_min，Y_min，w，h]

上式中，name_id表示缺陷在缺陷图片中是第几个缺陷，category表示该缺陷的种类，(X_min，Y_min)表示矩形标注框的左上角横坐标，w表示矩形标注框的宽，h表示矩形标注框的高；

步骤2、对缺陷图片中的缺陷部位进行提取，把矩形标注框部分从原图中截取出来，然后通过图像旋转的方式，增强缺陷图片的数量和类型：

X′＝(X₀-X_center)cosθ-(Y₀-Y_center)sinθ+X_center

Y′＝(X₀-X_center)sinθ-(Y₀-Y_center)cosθ+Y_center

上式中，(X_center,Y_center)表示缺陷对象的中心点坐标，缺陷对象的左上角坐标为(X_left,Y_top),右下角坐标为(X_right,Y_bottom),其中(X₀,Y₀)为缺陷图片上任意一点,(X′,Y′)为(X₀,Y₀)旋转θ度后的位置坐标；

然后将缺陷对象随机贴到准备的完好图片数据中，得到扩充增强后的缺陷数据集；

步骤3、使用扩充增强后的缺陷数据集进行多阶段跨尺度的卷积神经网络模型训练；

步骤4、将电源适配器六个面的高清图像分别输入多阶段跨尺度的卷积神经网络模型中进行缺陷检测，多阶段跨尺度的卷积神经网络模型输出缺陷检测结果，对多阶段跨尺度的卷积神经网络模型的预测输出进行后处理；

步骤5、当该电源适配器个体的检测结果为完好时，直接通过该电源适配器，返回执行步骤4，继续检测下一个电源适配器；当该电源适配器个体的检测结果为存在缺陷时，将缺陷图片保存，发出相应的提示信号提醒对出现缺陷的手机电源适配器进行处理。

2.根据权利要求1所述用于电源适配器外观缺陷的实时高精度检测方法，其特征在于，步骤4具体包括如下步骤：

步骤4.1、多阶段跨尺度的卷积神经网络模型对输入的高清图像进行预处理：转换高清图像的尺寸，使得高清图像的尺寸和多阶段跨尺度的卷积神经网络的输入大小相同；

步骤4.2、多阶段跨尺度的卷积神经网络使用改进的特征提取网络，在特征提取网络中加入循环结构金字塔结构，对图片进行特征抽取；将每一个卷积块得到的特征都融合到下一次的卷积中，得到最终特征图；

步骤4.3、改进的候选框生成网络将候选框生成网络的候选框从固定形状比例改为可调节的自适应形状，改进的候选框生成网络由形状预测子模块、位置预测子模块和特征调整子模块组成，通过形状预测子模块进行形状预测，通过位置预测子模块进行位置预测，通过特征调整子模块进行特征调整；

步骤4.4、改进的区域辨别网络在区域辨别网络中引入稀疏目标提议网络来进行区域辨别；改进的区域辨别网络根据候选框的范围把候选区域的特征从融合后的最终特征图中切割出来；

步骤4.5、对检测出的目标置信度进行过滤，只保留置信度超过设定值的检测结果；然后对检测出的检测框进行过滤，只保留检测框大于设定尺寸的检测框；

步骤4.6、把电源适配器六个面的最终检测结果进行融合，得到电源适配器个体的检测结果；若电源适配器六个面的最终检测结果中均未检测出缺陷，则该电源适配器个体的检测结果为完好，否则该电源适配器个体的检测结果为存在缺陷。