一种基于图片中子图块的电极帽端面缺陷检测方法技术

本发明专利技术提供一种基于图片中子图块的电极帽端面缺陷检测方法，包括如下步骤，获取训练用电极帽端面整体图像，对图像进行预处理，将电极帽端面图像从整体图像中单独截取，挑选一定数量的电极帽端面图像送入resnet

【技术实现步骤摘要】
一种基于图片中子图块的电极帽端面缺陷检测方法


[0001]本专利技术主要涉及电极帽表面缺陷检测相关
，具体是一种基于图片中子图块的电极帽端面缺陷检测方法。

技术介绍

[0002]用于点焊的电极帽使用过一段时间会产生氧化层影响焊接质量，且接触面积过大或过小均会造成电流不稳导致焊点不合格，造成接触面加热不均匀，产生氧化物夹杂、焊不透等缺陷，因此需要经常修磨。对于修磨的电极帽需要进行缺陷检测，判断其上是否还有缺陷残留，缺陷检测基于拍摄的电极帽端面图像实现。
[0003]现有的方法一般是基于光学和图形学阈值判断或者基于深度学习的目标检测方法。
[0004]对于基于传统光学和图形学的方法，这种主要是根据彩色图片中的RGB三个通道的值的分布，找出每个类型的缺陷的RGB三通道的取值范围的阈值或某种数学形式，通过这种方式将各种缺陷都发现并排除。这种方法由于仅需要对图片的像素值进行处理，可大量节约计算机的计算资源，仅需要极少量的CPU资源就可以快速计算。这个方法主要有几个问题，一是费时费力，电极帽帽头在研磨过程中可能出现多种缺陷，需要每种都分开寻找，而阈值的划分很难准确，对于没有见过的图像可能需要不同的阈值来排除某种缺陷，既需要检查大量图片，也可能出现某些缺陷的阈值出现冲突，无法找到某一个把所有图上的缺陷都排除的缺陷的可能性。第二是这种方法受图片拍摄的光学环境限制严重，一旦出现光学环境变化或者想大规模应用都有无法排除缺陷的风险。
[0005]第二种方法是基于深度学习的目标检测方法，这种方法利用深度神经网络对标注过的电极帽端面缺陷图片进行特征提取并学习，这个方法的好处是能够非常快速准确地定位缺陷，对缺陷的判断和泛化能力都非常强。这个方法的缺点是需要大量的人工标注数据，这个标注数据的过程非常耗费时间和人力成本，而处理的速度和区域定位准确的优势在实际应用中的优势却并不明显。

技术实现思路

[0006]为解决目前技术的不足，本专利技术结合现有技术，从实际应用出发，提供一种基于图片中子图块的电极帽端面缺陷检测方法，相对于现有技术，比基于光学和图形学阈值的方法有了强大的泛化能力，不会因为图像上像素的简单变化就检测错误，相比于基于深度学习的目标检测的方案则大大降低了收集缺陷图像、人工标注和模型训练的成本，同时还有所需的显卡内存更小\能耗更低的优点。
[0007]本专利技术的技术方案如下：一种基于图片中子图块的电极帽端面缺陷检测方法，包括如下步骤，S1、模型训练：获取训练用电极帽端面整体图像，对整体图像进行预处理，将电极帽端面图像从整体图像中单独截取，挑选一定数量的电极帽端面图像作为训练图像送入
resnet
‑
50网络模型进行训练，将网络第2个block和第3个block输出的向量作为训练图像的特征信息，得到训练完成后的特征库；S2、模型检测：获取待检测电极帽端面整体图像，对整体图像进行预处理，将待检测电极帽端面图像从整体图像中单独截取，通过resnet
‑
50网络模型提取图像特征，得到检测图特征；S3、缺陷判别：对比检测图与特征库的特征，如两者之间的差距大于阈值则判定为电极帽端面存在缺陷。
[0008]进一步，步骤S1具体包括：S11、获取训练用电极帽端面整体图像，收集待检测良品件在工业相机下拍摄的表层图像数据，通过检测设备获取电极帽端面的无缺陷数据用于提取正常图像的特征；S12、将电极帽端面图像从原来的电极帽端面整体图像数据中截取出来，去掉多余的背景信息；S13、将图像送入resnet
‑
50网络模型，抽取网络的第2个block和第3个block的输出结果；S14、将抽取到的输出结果根据第3维展开并拼接；S15、将拼接完成的结果存储起来，得到训练完成后的特征库。
[0009]进一步，步骤S12中，通过opencv中的模板将电极帽端面图像从原来的图像数据中截取出来。
[0010]进一步，步骤S2具体包括：S21、获取待检测电极帽端面整体图像；S22、将电极帽端面图像从整体图像数据中截取出来，去掉多余的背景信息；S23、使用resnet
‑
50网络模型提取电极帽端面图像中对应网络的第2个block和第3个block的特征，得到检测图特征。
[0011]进一步，步骤S3中，基于模型特征值之间差距的特性，采用三分法自动选择检测时的阈值。
[0012]进一步，所述的三分法包括如下步骤： S31、根据训练模型的结果的数值，取出其上下界min,max作为阈值区间上下界；S32、令l=（min+max）/2,r = (l+max)/2；S33、将l和r分别作为阈值对模型进行测试，得到对应的pl、pr、rl、rr，其中，pl表示当阈值为l时的测试准确率，pr表示当阈值为r时的测试准确率，rl表示当阈值为l时的测试召回率，rr表示当阈值为r时的测试召回率；S34、如果pl和rl分别大于pr和rr，那么令max=r,否则，令min=l;S35、重复步骤S32
‑
S34，直到l>=r为止，此时，l为最优阈值。
[0013]进一步，电极帽端面整体图像通过拍照获取。
[0014]本专利技术的有益效果：1、本专利技术能够以99.5%的准确率和99.5%的召回率判断电极帽在研磨后是否存在缺陷，相对于现有技术，比基于光学和图形学阈值的方法有了强大的泛化能力，不会因为图像上像素的简单变化就检测错误，相比于基于深度学习的目标检测的方案则大大降低了收集缺陷图像、人工标注和模型训练的成本，同时还有所需的显卡内存也更小，能耗更低。
[0015]2、本专利技术中，模型训练简单，只需要完全正常的电极帽端面图像约50张，训练时间仅需10分钟，阈值选择由算法自动计算，无需任何复杂的超参数。
[0016]3、本专利技术中，模型测试速度在有1.5G以上显存的显卡的计算机（笔记本电脑）上能达到100ms之内，具有极高的检测速度。
附图说明
[0017]图1为本专利技术实施例主要检测流程步骤示意图；图2为本专利技术实施例主要检测流程步骤框图；图3为本专利技术实施例检测界面示意图；图4为本专利技术实施例检测结果的可视化对比效果示意图。
实施方式
[0018]结合附图和具体实施例，对本专利技术作进一步说明。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
[0019]本实施例提供一种基于图片中子图块的电极帽端面缺肉缺陷的检测方法，主要用于对于经过上一次研磨的电极帽端面图像，判断其上是否存在缺肉缺陷，是否还需要进行下一次（多次）研磨。
[0020]电极帽端面上的常见缺陷为氧化和缺肉，二者在成像上存在较大差异；氧化缺陷为电极帽端面上存在未磨削下去的氧化层，在成像上表现为氧化区域不反光、亮度较暗，特征较为明显；而缺肉缺陷为研磨机在对电极帽进行修磨时，多磨削下去一块区域，在亮度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图片中子图块的电极帽端面缺陷检测方法，其特征在于，包括如下步骤，S1、模型训练：获取训练用电极帽端面整体图像，对整体图像进行预处理，将电极帽端面图像从整体图像中单独截取，挑选一定数量的电极帽端面图像作为训练图像送入resnet
‑
50网络模型进行训练，将网络第2个block和第3个block输出的向量作为训练图像的特征信息，得到训练完成后的特征库；S2、模型检测：获取待检测电极帽端面整体图像，对整体图像进行预处理，将待检测电极帽端面图像从整体图像中单独截取，通过resnet
‑
50网络模型提取图像特征，得到检测图特征；S3、缺陷判别：对比检测图与特征库的特征，如两者之间的差距大于阈值则判定为电极帽端面存在缺陷。2.根据权利要求1所述的基于图片中子图块的电极帽端面缺陷检测方法，其特征在于，步骤S1具体包括：S11、获取训练用电极帽端面整体图像，收集待检测良品件在工业相机下拍摄的表层图像数据，通过检测设备获取电极帽端面的无缺陷数据用于提取正常图像的特征；S12、将电极帽端面图像从原来的电极帽端面整体图像数据中截取出来，去掉多余的背景信息；S13、将图像送入resnet
‑
50网络模型，抽取网络的第2个block和第3个block的输出结果；S14、将抽取到的输出结果根据第3维展开并拼接；S15、将拼接完成的结果存储起来，得到训练完成后的特征库。3.根据权利要求2所述的基于图片中子图块的电极帽端面缺陷检测方法，其特征在于，步骤S12中，通过opencv中...

【专利技术属性】
技术研发人员：李苏畅，张也，方超群，朱光旭，田楷，李文博，陈立名，胡江洪，曹彬，常小刚，
申请(专利权)人：菲特天津检测技术有限公司，
类型：发明
国别省市：