[发明专利]一种用于舵类结构件表面缺陷的视觉检测方法及检测装置

说明书

本发明为一种用于舵类结构件表面缺陷的视觉检测方法及检测装置，检测方法以图像重建网络为基础，直接对重建图像和原图像进行残差计算，再对残差进行HOG特征计算，通过与特征阈值比较的方式检测出缺陷，该方法以实际工程中实际使用的结构件图像为训练和检测对象，具有实际工程的适用性。利用了制造过程中缺陷样本数量较少且形态各异，而正样本量大且形态近乎一致的特点，使用图像重建网络作为舵类结构件表面缺陷检测方法的核心算法，在训练过程中只依赖于充足的正样本量，对负样本没有要求。除了符合制造过程的实际情况，又省去了对大量样本加注标签的时间成本。本发明有利于实际应用。

技术领域

本发明涉及零件表面缺陷检测技术领域，具体是一种用于舵类结构件表面缺陷的视觉检测方法及检测装置。

背景技术

安装于火箭表面的舵类结构件，通过调整自身角度改变空气气流，以此产生改变火箭飞行姿态的侧向控制力，是控制火箭飞行姿态的重要结构件。舵类结构件通常由短纤维增强复合材料经过模压成型工艺制造，在制造过程中由于残余应力的作用，使得零件表面可能出现各种表面缺陷。表面缺陷会降低材料的强度，缩短舵类结构件的使用寿命，增加了舵类结构件使用过程中出现损坏的风险，对火箭飞行安全造成极大隐患。舵类结构件的表面缺陷检测在生产制造中极其重要。

零件表面缺陷检测方法主要有人工检测法、超声波检测法、电涡流检测、红外检测和机器视觉检测等。机器视觉检测具有较强的适应性，无损、无接触、价格低廉且检测方法简单高效，因此，基于机器视觉的缺陷检测评估方法正在快速地发展并已经广泛地应用。此外，机器视觉检测方法和深度学习方法联合应用，相较于传统基于图像处理的机器视觉检测大幅度提高了效率、准确度和鲁棒性，是目前各种零件表面缺陷检测的主要方法。

舵类结构件因其重要的应用对象和极端的应用场景有着较高标准的制造过程，其制造数量较少，且存在表面缺陷的情况也较少，导致缺少带有表面缺陷的负样本，使得深度学习的效果大打折扣，仅使用正样本做训练的表面缺陷检测方法是目前迫切需要的。

申请号为201810586872.9的专利公开了一种基于正例训练的表面缺陷检测方法，包括图像重建和缺陷检测两个步骤，图像重建是将输入的原图重建为没有缺陷的图片，步骤为：在训练过程中给正例图片加入人造的缺陷和噪声，使用自编码器对其重建，计算重建结果和无噪声的原图之间的距离，最小化该距离作为重建目标，并配合生成对抗网络优化重建图效果；在获得重建图后进行缺陷检测：计算重建图和原图的LBP特征，将两张特征图做差后按固定阈值二值化即可找到缺陷。该方法给出了使用图像重建检测缺陷的思路，但仅使用公开数据集对方法的效果做出验证，没有考虑其在实际工程中的适用性；该数据集内图像均为织物表面的局部图像，方法没有考虑一般情况下物体边界等高频信息在卷积网络中的损失，该损失会导致重建图像中物体边缘与原图中的差异较大，影响缺陷检测的效果。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，一种用于舵类结构件表面缺陷的视觉检测方法及检测装置。该检测方法更适用于实际工程应用，提高检测精度。

本发明解决所述技术问题的技术方案是，提供一种用于舵类结构件表面缺陷的视觉检测方法，该方法包括以下内容：

获得无缺陷舵类结构件的灰度图像，经预处理后获得舵类结构件表面图像库；

构建图像重建网络，并用舵类结构件表面图像库中的图像对图像重建网络进行训练；

采集有缺陷舵类结构件的灰度图像，对该图像做预处理，得到有缺陷舵类结构件表面图像，记为原图像，将该图像输入到训练好的图像重建网络，得到重建图像，原图像中的缺陷区域在重建图像中会被重建为正常表面；

将有缺陷舵类结构件表面图像和其重建图像做差，根据公式(1)计算原图像的重建残差矩阵res，

res(i,k)＝r(i,k)-x(i,k) (1)