[發(fā)明專利]一種機械零件缺陷檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811396959.6
• 申請日: 2018-11-22
• 公開（公告）號: CN109472790A
• 公開（公告）日: 2019-03-15
• 發(fā)明（設計）人: 張聰炫;周仲凱;陳震;陳昊;黎明;馮誠
• 申請（專利權）人: 南昌航空大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/32;G06K9/46;G06N3/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 張海青

1.一種機械零件缺陷檢測方法，其特征在于，所述檢測方法包括如下步驟：

建立機械零件的圖像樣本庫；

對所述圖像樣本庫中的圖像樣本進行預處理；

建立稠密網絡模型，并利用預處理后的圖像樣本對所述稠密網絡模型進行訓練，得到訓練后的稠密網絡模型；

利用所述訓練后的稠密網絡模型檢測機械零件的缺陷。

2.根據權利要求1所述的一種機械零件缺陷檢測方法，其特征在于，對所述圖像樣本庫中的圖像樣本進行預處理，具體包括：

對所述圖像樣本進行霍夫變換，提取圖像樣本中的零件區(qū)域；

提取零件區(qū)域中的非檢測區(qū)域，對所述零件區(qū)域中的非檢測區(qū)域進行掩膜處理，得到掩膜后的圖像樣本；

將所述掩膜后的圖像樣本劃分為多個圖像塊；

對每個所述圖像塊進行仿射變換處理，得到預處理后的圖像樣本。

3.根據權利要求1所述的一種機械零件缺陷檢測方法，其特征在于，所述建立稠密網絡模型，具體包括：

建立輸入層，在輸入層使用卷積和池化操作提取輸入圖像的特征信息；

建立稠密塊，基于所述稠密塊利用公式x_l＝H_l([x₀,x₁,...,x_l-1])進一步提取輸入圖像的特征信息；

式中，H₁(·)為多個操作的串聯(lián)：批規(guī)范->激活->卷積核為1×1的->批規(guī)范->激活->卷積核為3×3的卷積，x₀、x₁、x_l-1、x_l分別為第0層、第1層，第l-1層和第l層的輸出；

建立過渡層，在過渡層引入壓縮參數ρ，使用卷積和池化操作，降低卷積核參數θ的數量；

建立分類層，使用分類層，輸出檢測預測結果y。

4.根據權利要求1所述的一種機械零件缺陷檢測方法，其特征在于，所述利用預處理后的圖像樣本對所述稠密網絡模型進行訓練，得到訓練后的稠密網絡模型，具體包括：

建立交叉熵損失函數模型，如下式所示：

將所述預處理后的圖像樣本輸入所述稠密網絡模型，采用動量梯度下降法，求解所述交叉熵損失函數模型的損失函數值最小時，所述稠密網絡模型的卷積核參數θ的值，作為所述稠密網絡模型的最優(yōu)卷積核參數；

式中，表示對應與輸入預處理后的圖像樣本的稠密網絡模型的輸出值，y表示所述輸入預處理后的圖像樣本中零件缺陷位置的實際值，表示輸出值與實際值y的損失函數值。

5.根據權利要求4所述的一種機械零件缺陷檢測方法，其特征在于，所述將所述預處理后的圖像樣本輸入所述稠密網絡模型，采用動量梯度下降法，求解所述交叉熵損失函數模型的損失函數值最小時，所述稠密網絡模型的卷積核參數θ的值，具體包括：

將所述預處理后的圖像樣本輸入所述稠密網絡模型，利用動量梯度下降公式求解所述交叉熵損失函數模型的損失函數值最小時，所述稠密網絡模型的卷積核參數θ的值；

式中，v_dθ表示卷積參數的動量梯度，v₀為卷積參數的動量初始值，β為常數，α為訓練學習率。

6.根據權利要求1所述的一種機械零件缺陷檢測方法，其特征在于，所述利用所述訓練后的稠密網絡模型檢測機械零件的缺陷，具體包括：

獲取待檢測零件的圖像；

對所述待檢測零件的圖像進行預處理，獲得預處理后的待測圖像；

將所述預處理后的待測圖像輸入所述訓練后的稠密網絡模型，獲得所述待檢測零件的檢測結果。