[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

说明书

本发明涉及一种用于电源适配器外观缺陷的实时高精度检测方法，包括步骤：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；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；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。本发明的有益效果是：本发明可以减少计算量，提高检测的速度，通过多尺度特征融合和规则过滤提升了检测的精度，为工业流水线中的手机电源适配器表面缺陷实时的检测提供了切实可用的技术方案，有效提高缺陷目标的检测范围。

技术领域

本发明属于工业产品的缺陷检测领域，尤其涉及一种利用计算机视觉技术的电源适配器外观缺陷检测。

背景技术

近年来，随着智能终端设备的快速更新迭代和发展，在工业流水线中设备的电源适配器生产规模也随之扩大，但是在生产过程中会因为不当操作导致电源适配器的表面出现脏污划痕等缺陷。生产流水线中自动化电源适配器观缺陷检测越来越成为研究的热点问题，尤其是针对不规则的细小的缺陷检测，可以保证产品的品质。

随着机器视觉技术的飞速发展，彻底的改变的人们的生产和生活环境。机器视觉检测技术综合了机器视觉和自动化技术，广泛应用于日常生活中，例如人脸识别等。在这几年中，许多优秀的卷积神经网络模型陆续出现。深度学习在特征提取和检测分类上取得了非常好的效果，越来越多的研究人员和工程师开始将深度学习算法应用于工业检测领域，希望可以替代人工检测，减小人力成本，提高生产效率。

但是现有的深度学习方法具有很大的局限性，很难应用于智能终端设备的电源适配器外观检测中：首先，深度学习方法是数据驱动型，需要大量的有标注的缺陷样本，但是在工业生产流水线中很难采集到大量的有缺陷的样本；其次，训练的样本的特征需要涵盖应用时用于检测的目标样本，但是因为缺陷具有尺寸差异大同时外形特征具有随机性；最后，由于工业中的缺陷检测非常注重实时性、无漏检，而大部分的深度学习都会出现不同程度的漏检。所以在工业流水线中，深度学习往往是没有办法替代人工和满足实际应用中的需要的。

发明内容

本发明的目的是克服现有技术中的不足，提供一种用于电源适配器外观缺陷的实时高精度检测方法。

这种用于电源适配器外观缺陷的实时高精度检测方法，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；所述交接指一个机械臂把充电器穿过另一个机械臂；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；人工提供正确的标注才能保证卷积神经网络模型能进行学习；

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