一种高速高精度视觉检测方法技术

本发明专利技术涉及一种高速高精度视觉检测方法，属于图像识别技术领域。具体包括：统计产品工艺发生变化时，产品发生变化后量测人员的量测方法；对量测方法进行整理，建立表格文档；从归纳的量测方法表格文档中挑选出不同条件下量测方法的差异重点；建立深度学习网络，利用该网络将产品进行归类划分；将所有在可承受的差异变化内的产品分别归类到这几类产品中，每类产品设置一套最优参数；当有新的产品需要检测时，先通过深度学习网络，将该产品定义至被归类的某一类中，调取该归类的检测参数；选择完成最优参数后，使用图像识别算法进行测量。本发明专利技术能够提高在产品检测中的视觉识别的数据准确性和软件对产品的适应性，以及软件检测的效率。

【技术实现步骤摘要】
一种高速高精度视觉检测方法
本专利技术属于图像识别
，涉及一种高速高精度视觉检测方法。
技术介绍
图像处理技术是用计算机对图像信息进行处理的技术。主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等。图像的处理技术包括点处理、组处理、几何处理和帧处理四种方法。图像处理技术的应用领域非常广泛，在工厂自动化应用中主要用于精确定位，精确测量等，其精度可达到微米级别，但是该技术存在的缺点就是会受到被侧产品特征变化的影响，当被侧产品特征发生一定的变化时，图像处理技术很难跟着变化进行自适应的调整。深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。现有的深度学习模型属于神经网络。神经网络的起源可追溯到20世纪40年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的机理解决各种机器学习问题，该技术在工厂自动化应用中主要用于外观缺陷的检测和一些需要人为参与的简单的逻辑判断功能，该技术具有很强的适应性，但是该技术无法进行精确测量，且其检测速度较慢。目前，在将上述技术用于某些产品检测的过程中时，被检测物体在被检测前可能需要经过冲压工艺/注塑工艺/电镀工艺。这几道生产工艺在生产过程中受到温度/湿度/生产参数的影响，其外观表现都有有一定的差别，使用单一技术进行检测会存在如下问题：1)生产工艺的不确定性变化，会使得产品的颜色，亮度，翘曲度等会存在较大差异，传统图像识别技术是通过在固定区域设定亮度固定阈值，来实现检测与测量的。当产品自身差异过大时，在固定区域通过固定亮度阈值来检测/测量，其数据的真实有效性是存在疑问的，这样就造成在实际生产过程中需要经常去调整检测区域和检测参数。2)使用单一深度学习算法来检测产品表面的缺陷，会因为不同区域检测要求不一样，检测的神经网络系统会变得非常复杂。注塑区域/金属电镀区域/金属非电镀区域都会有不同的要求。神经网络系统越复杂，其网络层数就越多，网络层数越多，检测效率就越慢。此外，传统图像识别技术，对于特征变化较大的图像，无法准确的进行处理与检测。当产品发生翘曲，形变等问题时，图像识别技术无法很好的进行追踪定位。在确认测量数据有效性时，测量的基准/测量的位置对最终的数据结果都会有很大的影响。例如产品图纸中，该产品外轮廓为一个标准矩形，需要测量其长和宽，但是实际产品的平面投影图像不可能是一个标准矩形，甚至矩形的边都不是直的。为了保证在一个不规则图形量测出实际图纸中时规则图形的尺寸，在原始的量测方式中，会由资深的量测人员根据其对产品的了解，实时调整其量测的方式。但是这种随机应变的调整是传统的图像识别技术没有的。图像识别技术能够替代量测的过程，却无法替代资深的量测人员根据产品的变化进行的调整。深度学习算法需要的运算时间较长，利用传统图像识别技术，提取重要特征，让深度学习算法只针对重要特征进行运算，提高视觉检测的效率，例如在产品外观检测要求中，存在三种要求不同的区域(注塑区域/金属电镀区域/金属非电镀区域)，注塑区域需要检测和注塑工艺造成的有关缺陷，电镀区域需要检测电镀工艺造成的有关缺陷，非电镀区域需要检测冲压工艺造成的有关缺陷，不同工艺造成的缺陷其特征表现也不一样。单纯的使用深度学习算法，只能将这些缺陷特征都建立在一个复杂的神经网络系统中，再利用大量的数据信息图片，进行学习训练(为了避免不同区域需要检测的缺陷特征互相干扰)。这样整个网络就会非常常庞大，造成原本就检测效率很低的深度学习系统检测效率很低下。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种高速高精度视觉检测方法，该方法将图像处理技术与深度学习技术进行深度融合，从而提高在产品检测中的视觉识别的数据准确性和软件对产品的适应性，以及软件检测的效率。为达到上述目的，本专利技术提供如下技术方案：一种高速高精度视觉检测方法，该方法包括以下步骤：S1：统计分析产品工艺发生变化时，产品发生变化后量测人员的量测方法信息，作为基础数据；S2：将基础数据进行归类记录，即对量测方法信息进行整理，建立量测方法表格文档；S3：从归纳的量测方法表格文档中挑选出不同条件下量测方法的差异重点；S4：将量测方法进行归类与对应的图片录入数据库，建立深度学习网络，利用该网络将产品进行归类划分；S5：将所有在可承受的差异变化内的产品分别归类到这几类产品中，每类产品设置一套最优参数；S6：当有新的产品需要检测时，先通过深度学习网络，将该产品定义至被归类的某一类中，调取该归类的检测参数；S7：选择完成最优参数后，使用图像识别算法进行测量，获得测量值并生成数据报表。进一步，在步骤S3中，所述的不同条件下量测方法的差异重点主要包括：1)光源照度的调整：不同批次产品表面存在差异时，调整不同的光源照度来进行量测；2)量测位置的调整：不同批次产品外形存在差异时，调整不同的量测位置进行量测。进一步，在本视觉检测方法中，对神经网络系统进行优化，针对需要检测产品三种不同区域不同类型的缺陷特征，建立三个神经网络系统，在每个单一的神经网络系统中，将其他区域都进行了分割与填充；每一个神经网络系统完成一个独立循环的检测环境。进一步，所述运用三个独立的神经网络系统开展检测具体包括：S1：根据外观缺陷检测要求将缺陷分为三种类型，即注塑区域、金属电镀区域、金属非电镀区域；S2：根据三种缺陷的特征不同，利用图像识别算法中的颜色/亮度判断来分割提取：1)注塑区域：不反光，呈黑色；2)金属非电镀区域：反光，银色金属色；3)金属电镀区域：反光，金色金属色；S3：使用图像识别算法，定位产品的位置，获取到产品的位置坐标；S4：获得产品位置坐标后，在产品相对应的位置，进行颜色/亮度区域的提取：1)注塑区域：将产品上的黑色区域保留，其它颜色区域用白色填充；2)金属非电镀区域：将产品上的银色区域保留，其它区域黑色填充；3)金属电镀区域：将产品上的金色区域保留，其它区域黑色填充；S5：将这些被分别使用不同效果分割提取的图片进行分文件夹保存；S6：将不同区域文件夹内的图片分别建立不同的深度学习网络，每个网络内也会有不同的分支，所述分支包含但不限于：划伤，压伤，溢胶，缺胶，电镀不良，脏污，异物；S7：三个神经网络系统同步在不同的GPU内运行，每个神经网络运行的结果被保存在工控机缓存中；S8：当所有网络运行完成后，将所有结果整合，输出综合的结果。本专利技术的有益效果在于：本专利技术提供的方法利用传统图像识别算法和深度学习算法的结合使用，互相弥补缺点，解决了一些原有使用单独算法无法解决的短板。本方法使得该视觉检测系统能够更好的适应自动化工厂的生产情况，在一定程度上减少了现场维护人员跟线调试参数的次数，也在一定程度上提高了检测的效率，使得自动化检测设备的效能更高，投资回报率相应也就更高，具有广阔的应用前景。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术所述方本文档来自技高网...

【技术保护点】
1.一种高速高精度视觉检测方法，其特征在于：该方法包括以下步骤：/nS1：统计分析产品工艺发生变化时，产品发生变化后量测人员的量测方法信息，作为基础数据；/nS2：将基础数据进行归类记录，即对量测方法信息进行整理，建立量测方法表格文档；/nS3：从归纳的量测方法表格文档中挑选出不同条件下量测方法的差异重点；/nS4：将量测方法进行归类与对应的图片录入数据库，建立深度学习网络，利用该网络将产品进行归类划分；/nS5：将所有在可承受的差异变化内的产品分别归类到这几类产品中，每类产品设置一套最优参数；/nS6：当有新的产品需要检测时，先通过深度学习网络，将该产品定义至被归类的某一类中，调取该归类的检测参数；/nS7：选择完成最优参数后，使用图像识别算法进行测量，获得测量值并生成数据报表。/n

【技术特征摘要】
1.一种高速高精度视觉检测方法，其特征在于：该方法包括以下步骤：
S1：统计分析产品工艺发生变化时，产品发生变化后量测人员的量测方法信息，作为基础数据；
S2：将基础数据进行归类记录，即对量测方法信息进行整理，建立量测方法表格文档；
S3：从归纳的量测方法表格文档中挑选出不同条件下量测方法的差异重点；
S4：将量测方法进行归类与对应的图片录入数据库，建立深度学习网络，利用该网络将产品进行归类划分；
S5：将所有在可承受的差异变化内的产品分别归类到这几类产品中，每类产品设置一套最优参数；
S6：当有新的产品需要检测时，先通过深度学习网络，将该产品定义至被归类的某一类中，调取该归类的检测参数；
S7：选择完成最优参数后，使用图像识别算法进行测量，获得测量值并生成数据报表。


2.根据权利要求1所述的一种高速高精度视觉检测方法，其特征在于：在步骤S3中，所述的不同条件下量测方法的差异重点主要包括：
1)光源照度的调整：不同批次产品表面存在差异时，调整不同的光源照度来进行量测；
2)量测位置的调整：不同批次产品外形存在差异时，调整不同的量测位置进行量测。


3.根据权利要求2所述的一种高速高精度视觉检测方法，其特征在于：在本视觉检测方法中，对神经网络系统进行优化，针对需要检测产品三种不同区域不同类型的缺陷特征，建立三个神经网络系统，在每个单一...

【专利技术属性】
技术研发人员：沈宗凯，罗峰，
申请(专利权)人：苏州睿信诺智能科技有限公司，
类型：发明
国别省市：江苏;32