基于视觉感知的零部件表面缺陷定位及测量方法技术

技术编号:34753291 阅读:28 留言:0更新日期:2022-08-31 18:49
本发明专利技术涉及人工智能技术领域,具体涉及一种基于视觉感知的零部件表面缺陷定位及测量方法。该方法包括训练缺陷图像分类网络,获取零部件表面的结构描述信息以得到平移步长,利用平移步长对零部件表面图像进行图像平移,通过缺陷图像分类网络获取图像平移前后零部件表面图像的置信度,通过上一次图像平移的置信度变化值对平移步长进行更新,根据每次图像平移后的置信度和对应平移步长获取零部件表面图像中的缺陷区域。通过自适应调节平移步长对零部件表面图像进行图像平移,且根据平移步长和平移后零部件表面图像的置信度来确认缺陷区域,这样能够减少标注数据的成本,且无需复杂的网络推理,同时提高了缺陷检测的精度。同时提高了缺陷检测的精度。同时提高了缺陷检测的精度。

【技术实现步骤摘要】
基于视觉感知的零部件表面缺陷定位及测量方法


[0001]本专利技术涉及人工智能
,具体涉及一种基于视觉感知的零部件表面缺陷定位及测量方法。

技术介绍

[0002]在生产制造过程中,涉及大量零件的装配与处理、装配部件的再装配等,这些零件存在多次周转次数、安装和组装工序多、测试与检测过程多等特点,导致在制造装配中,零部件表面产生大量擦伤、划伤、碰伤、凹痕等表面缺陷,如果这些缺陷不及时检测出来并处理,会影响其使用和寿命。
[0003]现在的缺陷定位和测量主要通过目标检测和语义分割网络实现,但是本领域技术人员发现利用神经网络时,网络训练标签数据的标注成本过大、网络的泛化能力不够以及网络推理的精度不高,进而导致缺陷定位不准确或者无法检测出新缺陷类型。

技术实现思路

[0004]为了解决上述技术问题,本专利技术的目的在于提供一种基于视觉感知的零部件表面缺陷定位及测量方法,所采用的技术方案具体如下:本专利技术实施例提供了一种基于视觉感知的零部件表面缺陷定位及测量方法,该方法包括:利用采集的零部件表面图像训练缺陷图像分类网络;由所述零部件表面图像中的边缘信息获取零部件表面的结构描述信息;根据所述结构描述信息获取平移步长,利用所述平移步长对所述零部件表面图像进行图像平移,利用所述缺陷图像分类网络分别获取平移前后所述零部件表面图像的置信度以得到置信度变化值;利用所述置信度变化值对所述平移步长进行更新,利用更新后的所述平移步长对上一次平移后的所述零部件表面图像进行所述图像平移,根据每次所述图像平移所对应的所述置信度和所述平移步长获取单个缺陷区域。
[0005]优选的,所述由所述零部件表面图像中的边缘信息获取零部件表面的结构描述信息的方法,包括:对所述零部件表面图像进行边缘检测得到边缘线,对检测出的所述边缘线进行霍夫变换直线提取得到规则边缘信息,基于霍夫空间的角度利用密度聚类方法对所述规则边缘线进行聚类,获取多个角度为聚类中心点的角度集合,将多个角度集合作为所述结构描述信息。
[0006]优选的,所述根据所述结构描述信息获取平移步长的方法,包括:获取每个所述角度集合的描述向量,将所述角度集合中的元素数量作为所述描述向量的模长,所述角度集合对应的角度作为所述描述向量的向量方向;将所有所述描述向量相加得到总描述向量,获取所述总描述向量在图像坐标系中横轴和纵轴上的映射值,将所述映射值的绝对值作为所述平移步长。
[0007]优选的,所述利用所述置信度变化值对所述平移步长进行更新的计算公式,包括:其中,为更新后的所述平移步长;为最大平移次数;为当前平移次数;为更新所述平移步长的影响系数;为所述置信度变化值;为更新前的所述平移步长;为基于所述置信度变化值更新所述平移步长的映射关系。
[0008]优选的,所述根据每次所述图像平移所对应的所述置信度和所述平移步长获取单个缺陷区域的方法,包括:获取每次所述图像平移的所述平移步长以及平移后所述零部件表面图像的所述置信度;构建平移步长

置信度的坐标系,拟合置信度变化曲线,获取所述置信度变化曲线上的斜率突变点,根据所述斜率突变点获取所述单个缺陷区域。
[0009]优选的,所述图像平移包括横向图像平移和纵向图像平移。
[0010]优选的,所述根据每次所述图像平移所对应的所述置信度和所述平移步长获取单个缺陷区域的方法,包括:结合所述横向图像平移下对应所述置信度变化曲线的所述斜率突变点和所述纵向图像平移下对应所述置信度变化曲线的所述斜率突变点获取所述单个缺陷区域。
[0011]优选的,所述根据所述斜率突变点获取所述单个缺陷区域的方法,包括:获取所述斜率突变点对应的所述平移步长,利用所述平移步长在所述零部件表面图像进行移动,将移动后形成的区域作为所述单个缺陷区域。
[0012]优选的,在获得所述单个缺陷区域之后,将所述零部件表面图像中所述单个缺陷区域内像素点的像素值置零,对置零后的所述零部件表面图像继续进行所述图像平移以获取其他缺陷区域。
[0013]本专利技术实施例至少具有如下有益效果:通过自适应调节平移步长对零部件表面图像进行图像平移,且根据平移步长和平移后零部件表面图像的置信度来确认缺陷区域,这样能够减少标注数据的成本,且无需复杂的网络推理,同时提高了缺陷检测的精度。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
[0015]图1为本专利技术一个实施例提供的一种基于视觉感知的零部件表面缺陷定位及测量方法的步骤流程图。
具体实施方式
[0016]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本专利技术提出的一种基于视觉感知的零部件表面缺陷定位及测量方法,其具体实施方式、结构、特征及其作用,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0017]除非另有定义,本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0018]下面结合附图具体的说明本专利技术所提供的一种基于视觉感知的零部件表面缺陷定位及测量方法的具体方案。
[0019]本专利技术实施例所针对的具体场景为:零部件表面缺陷场景,适用于计算设备计算能力较低但要求较高的缺陷定位精度的场景,通过固定位姿相机采集零部件表面图像。
[0020]请参阅图1,其示出了本专利技术一个实施例提供的一种基于视觉感知的零部件表面缺陷定位及测量方法的步骤流程图,该方法包括以下步骤:步骤S001,利用采集的零部件表面图像训练缺陷图像分类网络。
[0021]具体的,利用零部件表面图像训练编码器

全连接结构的缺陷图像分类网络以获取训练好的缺陷图像分类网络,该缺陷图像分类网络的输入为相机采集的单张零部件表面图像,输出为图像类别,图像类别包括含有缺陷类别的图像和不含缺陷类别的图像,且图像类别通过独热编码处理。
[0022]缺陷图像分类网络的训练过程为:训练集为相机采集的不同工况下零部件表面图像;人为标注图像类别;通过二值交叉熵损失函数进行训练。
[0023]需要说明的是,在人为标注时,标注者应当仅判断图像中是否包含缺陷信息,不考虑其缺陷位置或形状信息等。
[0024]步骤S002,由零部件表面图像中的边缘信息获取零部件表面的结构描述信息。
[0025]具体的,对零部件表面图像进行边缘检测以得到边缘线,对检测出来的边缘线进行霍夫变换直线检测提取处理得到规则边缘信息,并基于霍夫空间的角度利用密度聚类(DBSCAN)方法对规则边缘线进行聚类,获取多个角度为聚类中心点的角度集合,将多个角度集合本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于视觉感知的零部件表面缺陷定位及测量方法,其特征在于,该方法包括:利用采集的零部件表面图像训练缺陷图像分类网络;由所述零部件表面图像中的边缘信息获取零部件表面的结构描述信息;根据所述结构描述信息获取平移步长,利用所述平移步长对所述零部件表面图像进行图像平移,利用所述缺陷图像分类网络分别获取平移前后所述零部件表面图像的置信度以得到置信度变化值;利用所述置信度变化值对所述平移步长进行更新,利用更新后的所述平移步长对上一次平移后的所述零部件表面图像进行所述图像平移,根据每次所述图像平移所对应的所述置信度和所述平移步长获取单个缺陷区域;所述由所述零部件表面图像中的边缘信息获取零部件表面的结构描述信息的方法,包括:对所述零部件表面图像进行边缘检测得到边缘线,对检测出的所述边缘线进行霍夫变换直线提取得到规则边缘信息,基于霍夫空间的角度利用密度聚类方法对所述规则边缘线进行聚类,获取多个角度为聚类中心点的角度集合,将多个角度集合作为所述结构描述信息;所述根据所述结构描述信息获取平移步长的方法,包括:获取每个所述角度集合的描述向量,将所述角度集合中的元素数量作为所述描述向量的模长,所述角度集合对应的角度作为所述描述向量的向量方向;将所有所述描述向量相加得到总描述向量,获取所述总描述向量在图像坐标系中横轴和纵轴上的映射值,将所述映射值的绝对值作为所述平移步长。2.如权利要求1所述的一种基于视觉感知的零部件表面缺陷定位及测量方法,其特征在于,所述利用所述置信度变化值对所述平移步长进行更新的计算公式,包括:其中,为更新后的所述平移步长;为最大平移次数;为当前平移次数;为更新所述平移步长的影响系数;为所述置信度变化值;为更新...

【专利技术属性】
技术研发人员:张深云
申请(专利权)人:启东市海信机械有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1