[發(fā)明專利]一種機(jī)械零件缺陷檢測(cè)方法及系統(tǒng)

在審

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

本發(fā)明公開了一種機(jī)械零件缺陷檢測(cè)方法及系統(tǒng)，所述檢測(cè)方法包括：首先，建立機(jī)械零件的圖像樣本庫(kù)，并對(duì)所述圖像樣本庫(kù)中的圖像樣本進(jìn)行預(yù)處理；然后，建立稠密網(wǎng)絡(luò)模型，并利用預(yù)處理后的圖像樣本對(duì)所述稠密網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的稠密網(wǎng)絡(luò)模型；最后，利用所述訓(xùn)練后的稠密網(wǎng)絡(luò)模型檢測(cè)機(jī)械零件的缺陷。本發(fā)明基于稠密網(wǎng)絡(luò)實(shí)現(xiàn)了機(jī)械零件的自動(dòng)檢測(cè)，使用基于稠密網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)的計(jì)算，減少了外圍設(shè)備的設(shè)計(jì)與使用，去除了前期研發(fā)提取圖像特征算法的過(guò)程，增加網(wǎng)絡(luò)模型的通用性。

技術(shù)領(lǐng)域

本發(fā)明涉及零件檢測(cè)領(lǐng)域，特別涉及一種機(jī)械零件缺陷檢測(cè)方法及系統(tǒng)。

背景技術(shù)

隨著生產(chǎn)技術(shù)的進(jìn)步，機(jī)械零件的產(chǎn)量不斷升高，大多制造商仍使用人工進(jìn)行機(jī)械零件質(zhì)量的檢測(cè)。人工檢測(cè)易受檢測(cè)員身體狀況影響，所以長(zhǎng)時(shí)間目視檢測(cè)容易出現(xiàn)漏檢率、誤檢率上升等問題。如何實(shí)現(xiàn)機(jī)械零件的自動(dòng)檢測(cè)成為一個(gè)亟待解決的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種機(jī)械零件缺陷檢測(cè)方法，以實(shí)現(xiàn)機(jī)械零件的自動(dòng)檢測(cè)。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種機(jī)械零件缺陷檢測(cè)方法，所述檢測(cè)方法包括如下步驟：

建立機(jī)械零件的圖像樣本庫(kù)；

對(duì)所述圖像樣本庫(kù)中的圖像樣本進(jìn)行預(yù)處理；

建立稠密網(wǎng)絡(luò)模型，并利用預(yù)處理后的圖像樣本對(duì)所述稠密網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的稠密網(wǎng)絡(luò)模型；

利用所述訓(xùn)練后的稠密網(wǎng)絡(luò)模型檢測(cè)機(jī)械零件的缺陷。

可選的，對(duì)所述圖像樣本庫(kù)中的圖像樣本進(jìn)行預(yù)處理，具體包括：

對(duì)所述圖像樣本進(jìn)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(cè)區(qū)域，對(duì)所述零件區(qū)域中的非檢測(cè)區(qū)域進(jìn)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(gè)圖像塊；

對(duì)每個(gè)所述圖像塊進(jìn)行仿射變換處理，得到預(yù)處理后的圖像樣本。

可選的，所述建立稠密網(wǎng)絡(luò)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(jìn)一步提取輸入圖像的特征信息；

式中，H₁(·)為多個(gè)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(guò)渡層，在過(guò)渡層引入壓縮參數(shù)ρ，使用卷積和池化操作，降低卷積核參數(shù)θ的數(shù)量；

建立分類層，使用分類層，輸出檢測(cè)預(yù)測(cè)結(jié)果y。

可選的，所述利用預(yù)處理后的圖像樣本對(duì)所述稠密網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的稠密網(wǎng)絡(luò)模型，具體包括：

建立交叉熵?fù)p失函數(shù)模型，如下式所示：

將所述預(yù)處理后的圖像樣本輸入所述稠密網(wǎng)絡(luò)模型，采用動(dòng)量梯度下降法，求解所述交叉熵?fù)p失函數(shù)模型的損失函數(shù)值最小時(shí)，所述稠密網(wǎng)絡(luò)模型的卷積核參數(shù)θ的值，作為所述稠密網(wǎng)絡(luò)模型的最優(yōu)卷積核參數(shù)；