[发明专利]一种基于机器视觉的单板缺陷智能挖补方法及系统

权利要求书

1.一种基于机器视觉的单板缺陷智能挖补方法，其特征在于，包括以下步骤：

采集单板表面缺陷图像，构建图像数据库；

对所述单板表面缺陷图像进行相机标定，获得单板表面位点三维几何位置与所述单板表面缺陷图像中对应点之间的相互关系；

采用YOLOv4算法，构建单板缺陷识别模型；

基于所述图像数据库，训练所述单板缺陷识别模型；

基于训练好的所述单板缺陷识别模型以及所述相互关系，获得缺陷识别结果；

基于所述缺陷识别结果，采用模糊算法路径规划，获得最优缺陷冲裁路径，将缺陷处冲裁出空洞；

基于所述缺陷识别结果，匹配与所述空洞尺寸对应的补料，修补所述空洞，实现单板缺陷的智能挖补。

2.根据权利要求1所述的基于机器视觉的单板缺陷智能挖补方法，其特征在于，构建单板缺陷识别模型的方法为：

采用主干网络为CSPDark-Net53的YOLOv4网络模型，提取所述单板表面缺陷图像的特征，获得特征图；

经过卷积核，使所述特征图进入空间金字塔池化，获得特征层；

所述特征层经卷积、上采样以及特征融合堆叠，向高尺寸特征递进；

将向所述高尺寸特征递进的所述特征层，再次进行卷积、下采样以及特征融合堆叠，完成向低尺寸特征递进，获得不同尺度下的特征信息；

将不同尺度的所述特征信息，通过YOLO Head整合通道，计算损失，并基于先验框特征层进行预测；

采用非极大值抑制方法对预测结果进行处理，调整所述先验框，获得最终预测框，实现单板缺陷识别模型的构建。

3.根据权利要求1所述的基于机器视觉的单板缺陷智能挖补方法，其特征在于，采用模糊算法路径规划，获得最优缺陷冲裁路径的方法为：

S21、基于所述缺陷识别结果，获得目标点以及约束条件；

S22、基于所述目标点以及所述约束条件，设计模糊规则库；

S23、基于所述模糊规则库，建立模糊变量之间的关系；

S24、基于所述模糊变量之间的关系，构建模糊量化规则，计算当前状态下判断状态匹配程度的模糊值；

S25、基于所述模糊值，采用模糊推理法，计算下一步行动的可能性大小；

S26、基于所述下一步行动的可能性大小，获得接近所述目标点的行动方向；

S27、循环步骤S23-S26，直到到达所述目标点或无法继续下一步行动为止，获得最优缺陷冲裁路径。

4.根据权利要求1所述的基于机器视觉的单板缺陷智能挖补方法，其特征在于，匹配与所述空洞尺寸对应的补料的方法为：

基于所述缺陷识别结果，获得所述空洞的尺寸和形状；

集中存储补料信息，构建补料库；

基于所述空洞的尺寸和形状，扫描所述补料库，筛选符合所述空洞尺寸和形状的补料；

评估所述补料的质量以及性能，确定符合要求的最优补料。

5.一种基于机器视觉的单板缺陷智能挖补系统，其特征在于，包括：采集模块、相机标定模块、识别模型构建模块、识别结果获取模块、冲裁模块以及修补模块；

所述采集模块，用于采集单板表面缺陷图像，构建图像数据库；

所述相机标定模块，用于对所述单板表面缺陷图像进行相机标定，获得单板表面位点三维几何位置与所述单板表面缺陷图像中对应点之间的相互关系；

所述识别模型构建模块，识别采用YOLOv4算法，构建单板缺陷识别模型；基于所述图像数据库，训练所述单板缺陷识别模型；

所述识别结果获取模块，用于基于训练好的所述单板缺陷识别模型以及所述相互关系，获得缺陷识别结果；

所述冲裁模块，用于基于所述缺陷识别结果，采用模糊算法路径规划，获得最优缺陷冲裁路径，将缺陷处冲裁出空洞；

所述修补模块，用于基于所述缺陷识别结果，匹配与所述空洞尺寸对应的补料，修补所述空洞，实现单板缺陷的智能挖补。