[發明專利]基于深度神經網絡的輪轂表面瑕疵在線檢測方法及系統

在審

• 申請號: 202011523385.1
• 申請日: 2020-12-22
• 公開（公告）號: CN112529893A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 張晨民;李丙濤;栗芳;董海濤;劉濤
• 申請（專利權）人: 鄭州金惠計算機系統工程有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/08
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 周艷巧

1.一種基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，包含如下內容：

通過分塊拍攝來采集輪轂表面圖像，每次拍攝均兼顧輪轂相鄰分塊區域；

利用濾波器對輪轂表面圖像數據進行預處理，并提取獲取濾波后數據的圖像特征；

利用已訓練優化的瑕疵等級預測模型對圖像特征進行分類識別，獲取當前輪轂缺陷的等級信息。

2.根據權利要求1所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，利用檢測臺機械臂來固定用于拍攝的RGB相機，通過機械臂帶動RGB相機到對應拍攝點位采集輪轂表面圖像。

3.根據權利要求2所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，機械臂前端設置有用于拍攝圖像光照均勻的扇形光源；且，同一輪轂表面圖像的采集中，每次拍攝均在相同的圖像分辨率下進行。

4.根據權利要求1所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，所述濾波器采用用于抑制低頻信息的高通濾波器，預處理過程采用的濾波器表示為：其中，為沖激響應函數，D₀表示截止頻率，μ、ν分別表示頻譜圖上的橫縱坐標。

5.根據權利要求1所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，利用已訓練優化的深度神經網絡提取濾波后的圖像特征；該已訓練優化的深度神經網絡包含：用于提取輸入數據的彩色圖像特征的瑕疵編碼器，用于對彩色圖像特征進行解碼的瑕疵解碼器，及用于獲取輪轂瑕疵遮罩的單元模塊。

6.根據權利要求5所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，采用梯度下降方法對深度神經網絡進行訓練優化，并設置最大迭代次數或網路損失限制作為迭代終止條件。

7.根據權利要求5或6所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，深度神經網絡損失函數表示為：其中，i為訓練集對應的索引，為預測值，yⁱ為真實值，N為用于訓練優化的樣本數量。

8.根據權利要求1所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，瑕疵等級預測模型包含：用于提取缺陷信息特征的缺陷等級信息編碼器，和用于通過全連接操作來獲取當前輪轂缺陷等級信息的全連接層。

9.根據權利要求1或8所述的基于深度神經網絡的輪轂表面瑕疵在線檢測方法，其特征在于，瑕疵等級預測模型采用交叉損失函數進行訓練優化，其中，交叉損失函數表示為：其中，i為訓練集對應的索引，y_i為預測值，t_i為目標值。

10.一種基于深度神經網絡的輪轂表面瑕疵在線檢測系統，其特征在于，包含：圖像采集模塊、圖像處理模塊和圖像識別模塊，其中，

圖像采集模塊，用于通過分塊拍攝來采集輪轂表面圖像，每次拍攝均兼顧輪轂相鄰分塊區域；

圖像處理模塊，用于利用濾波器對輪轂表面圖像數據進行預處理，并提取獲取濾波后數據的圖像特征；

圖像識別模塊，用于利用已訓練優化的瑕疵等級預測模型對圖像特征進行分類識別，獲取當前輪轂缺陷的等級信息。