[發明專利]一種用于電源適配器外觀缺陷的實時高精度檢測方法

在審

• 申請號: 202110485735.8
• 申請日: 2021-04-30
• 公開（公告）號: CN113205136A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 陳垣毅
• 申請（專利權）人: 浙大城市學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06T3/60;G06T7/00;G06T7/11
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 張羽振

1.一種用于電源適配器外觀缺陷的實時高精度檢測方法，其特征在于，包括以下步驟：

步驟1、將多個高分辨率的相機固定在流水線的左右和正上方，對電源適配器的外觀圖像進行采集；在第一輪采集后，機械臂進行交接和翻轉，對剩下的三個面表面圖像進行采集；獲得電源適配器六個面的高清圖像；從高清圖像中獲取少量電源適配器外觀缺陷圖片，對缺陷圖片中的缺陷區域進行人工標注，得到的標注為最小外接矩形：

[name_id，category，X_min，Y_min，w，h]

上式中，name_id表示缺陷在缺陷圖片中是第幾個缺陷，category表示該缺陷的種類，(X_min，Y_min)表示矩形標注框的左上角橫坐標，w表示矩形標注框的寬，h表示矩形標注框的高；

步驟2、對缺陷圖片中的缺陷部位進行提取，把矩形標注框部分從原圖中截取出來，然后通過圖像旋轉的方式，增強缺陷圖片的數量和類型：

X′＝(X₀-X_center)cosθ-(Y₀-Y_center)sinθ+X_center

Y′＝(X₀-X_center)sinθ-(Y₀-Y_center)cosθ+Y_center

上式中，(X_center,Y_center)表示缺陷對象的中心點坐標，缺陷對象的左上角坐標為(X_left,Y_top),右下角坐標為(X_right,Y_bottom),其中(X₀,Y₀)為缺陷圖片上任意一點,(X′,Y′)為(X₀,Y₀)旋轉θ度后的位置坐標；

然后將缺陷對象隨機貼到準備的完好圖片數據中，得到擴充增強后的缺陷數據集；

步驟3、使用擴充增強后的缺陷數據集進行多階段跨尺度的卷積神經網絡模型訓練；

步驟4、將電源適配器六個面的高清圖像分別輸入多階段跨尺度的卷積神經網絡模型中進行缺陷檢測，多階段跨尺度的卷積神經網絡模型輸出缺陷檢測結果，對多階段跨尺度的卷積神經網絡模型的預測輸出進行后處理；

步驟5、當該電源適配器個體的檢測結果為完好時，直接通過該電源適配器，返回執行步驟4，繼續檢測下一個電源適配器；當該電源適配器個體的檢測結果為存在缺陷時，將缺陷圖片保存，發出相應的提示信號提醒對出現缺陷的手機電源適配器進行處理。

2.根據權利要求1所述用于電源適配器外觀缺陷的實時高精度檢測方法，其特征在于，步驟4具體包括如下步驟：

步驟4.1、多階段跨尺度的卷積神經網絡模型對輸入的高清圖像進行預處理：轉換高清圖像的尺寸，使得高清圖像的尺寸和多階段跨尺度的卷積神經網絡的輸入大小相同；

步驟4.2、多階段跨尺度的卷積神經網絡使用改進的特征提取網絡，在特征提取網絡中加入循環結構金字塔結構，對圖片進行特征抽取；將每一個卷積塊得到的特征都融合到下一次的卷積中，得到最終特征圖；

步驟4.3、改進的候選框生成網絡將候選框生成網絡的候選框從固定形狀比例改為可調節的自適應形狀，改進的候選框生成網絡由形狀預測子模塊、位置預測子模塊和特征調整子模塊組成，通過形狀預測子模塊進行形狀預測，通過位置預測子模塊進行位置預測，通過特征調整子模塊進行特征調整；

步驟4.4、改進的區域辨別網絡在區域辨別網絡中引入稀疏目標提議網絡來進行區域辨別；改進的區域辨別網絡根據候選框的范圍把候選區域的特征從融合后的最終特征圖中切割出來；

步驟4.5、對檢測出的目標置信度進行過濾，只保留置信度超過設定值的檢測結果；然后對檢測出的檢測框進行過濾，只保留檢測框大于設定尺寸的檢測框；

步驟4.6、把電源適配器六個面的最終檢測結果進行融合，得到電源適配器個體的檢測結果；若電源適配器六個面的最終檢測結果中均未檢測出缺陷，則該電源適配器個體的檢測結果為完好，否則該電源適配器個體的檢測結果為存在缺陷。