一种基于机器视觉的圆柱滚子表面缺陷检测方法技术

本发明专利技术属于计算机视觉检测的目标检测领域，具体涉及一种基于机器视觉的圆柱滚子表面缺陷检测方法，该方法包括：采集圆柱滚子表面缺陷图片，并标注；对标注后的文件和图片制作数据集，并且扩充数据集；改进YOLOv5s模型中的骨干网络中的残差组件并更换激活函数；将损失函数CIoU改为SIoU；训练好改进模型得到最佳权重文件后对改进的YOLOv5s模型进行封装；将Halcon算子进行封装；将封装好的算子在QT框架上做好接口，采用改进后的YOLOv5s推理模型对圆柱滚子表面缺陷进行检测。本发明专利技术通过使用Halcon封装好的检测算子和改进后的YOLOv5s模型对圆柱滚子表面缺陷进行检测，大大增加了检测的准确率，提高了生产效率。提高了生产效率。提高了生产效率。

【技术实现步骤摘要】
一种基于机器视觉的圆柱滚子表面缺陷检测方法


[0001]本专利技术涉及计算机视觉的目标检测领域，具体是一种基于机器视觉的圆柱滚子表面缺陷检测方法。

技术介绍

[0002]圆柱滚子轴承主要用于压缩机、泵、风能设备、齿轮箱、不平衡激振器等工业装备，具有重载高速，能承受轴向位移等作用，是工业领域中不可缺少的一部分。而圆柱滚子作为圆柱滚子轴承的关键性零部件之一，其表面质量直接影响圆柱滚子轴承的工作性能和使用寿命。
[0003]目前，针对滚子表面缺陷的筛选主要通过人工检查，但工人长期在光亮条件下通过金属表面折射光线来检查表面缺陷，容易造成用眼疲劳，会导致漏检率提高，从而造成瑕疵滚子用于生产滚子轴承，轴承性能下降，产品质量不合格，甚至会出现工业装备出现重大安全事故。另外，人工检测滚子表面缺陷的效率低下，成本较高，不适合对滚子进行批量检测。
[0004]近年来随着机器视觉技术的快速发展，检测领域也开始应用该技术来取代人工。但是传统的机器视觉算法对微小缺陷检测准确率较低，分类准确率也较低。

技术实现思路

[0005]因此针对现有滚子检测方法的不足，本专利技术提供了一种基于halcon和YOLOv5s改进模型的滚子表面缺陷检测方法。该方法通过Halcon检测易捡缺陷，YOLOv5s检测难检缺陷，双重检测方法让检测可靠度更高。
[0006]本专利技术的技术方案如下：
[0007]一种基于机器视觉的圆柱滚子表面缺陷检测方法，包括以下步骤：
[0008]S1，采集圆柱滚子表面缺陷图片，并标注；
[0009]S2，对标注后的文件和图片制作数据集，并且扩充数据集；
[0010]S3，改进YOLOv5s模型中的骨干网络中的残差组件并更换激活函数；
[0011]S4，损失函数CIoU更换成SIoU；
[0012]S5，训练好改进模型得到最佳权重文件后对改进后的YOLOv5s模型进行封装；
[0013]S6，将Halcon算子进行封装；
[0014]S7，将封装好的算子在QT框架上做好接口，采用封装好的C++程序和改进后的YOLOv5s模型对圆柱滚子表面缺陷进行检测。
[0015]进一步地，所述S1具体包括：采用高亮光源配合PCCD012环外侧镜头拍摄滚子侧面图片，采用平行光源配合50mm焦距镜头拍摄滚子端面，采用上方30
°
光源与下方45
°
光源配合形成辅助光源，配合相机靶面尺寸的高分辨率、小焦距的镜头拍摄滚子侧面，并且用LabelImg标注软件，以PASCAL VOC格式对缺陷进行标记得到xml文件，将xml标签文件转化为txt标签文件。
[0016]进一步地，所述S2具体包括：将数据集以8：1：1的比例划分为训练集、验证集和测试集，对数据集采用翻转、裁剪、加噪声、旋转、平移、镜像中一种或多种方式进行扩充，防止训练欠拟合和过拟合，并且对图片进行Mosaic操作，丰富缺陷背景，增加缺陷多样性，防止过拟合。
[0017]进一步地，所述S3包括：将YOLOv5s模型backbone部分中最后一个C3模块中包含的若干个残差组件替换成若干个带有多头注意力模块的残差组件，将残差组件的多头注意力模块中的非线性激活函数Silu改为ReLU函数，其中的多头注意力模块设定为4heads,在P5层的特征图上先对其高度和宽度进行相对位置编码，得到和后进行逐元素相加，生成相对位置编码信息r，将这相对位置编码信息r与查询q矩阵相乘得到满意的位置矩阵；将键k与查询q矩阵相乘得到满意的内容信息后与逐元素相加，并进行Softmax得到范围为[0,1]输出矩阵，最后再与v矩阵相乘，形成一个单头注意力模块。
[0018]进一步地，所述S4中损失函数SIoU为：
[0019][0020]其中IoU为交并比损失，Δ为距离损失，Ω为形状损失。
[0021]进一步地，所述S5包括：将训练好的.pt权重文件生成.wts序列文件，再利用TensorRT对该权重文件进行加速推理后生成.engine工程文件后封装成一个类函数，配置好所需的环境后，在Release环境下开始编译成该训练好后的改进的YOLOv5s模型的动态链接库以及相对应的库文件，将训练好后的改进的YOLOv5s模型的动态链接库以及相对应的库文件加入自己的QT检测框架中，对接好封装函数的接口。
[0022]进一步地，所述S6和S7包括：将Halcon算子编写完成后封装成一个检测函数，用C++，对接好函数接口加入QT框架，在部署中先用Halcon算子进行检测，采用改进后的YOLOv5s推理模型对圆柱滚子表面缺陷进行检测。
[0023]与现有技术相比，本专利技术能够保证大缺陷百分之百检测出来的情况下，小缺陷的检测准确性有所提高，而且本专利技术更换损失函数后，边界框回归速度更快，误差更小。
附图说明
[0024]图1为本专利技术流程图；
[0025]图2和图3为本专利技术的改进C3结构图，其中图2为本专利技术的bottle transformer结构图，图3为本专利技术的MHSA结构图；
[0026]图4为本专利技术的angle cost的示意图；
[0027]图5为本专利技术中边界框收敛效果的对比图；
[0028]图6为本专利技术中改进YOLOv5s模型训练和验证的结果图，其中，(a)训练边界框回归图、(b)训练置信度损失图、(c)训练分类损失图、(d)精确度图、(e)召回率图、(f)验证边界框回归图、(g)验证置信度损失图、(h)验证分类损失图、(i)置信度阈值为0.5的准确度图、(j)置信度阈值为0.5到0.95的准确度图；
[0029]图7为本专利技术中检测预测效果图。
具体实施方式
[0030]下面结合本实施例的附图和具体实施方式对本专利技术技术方案作进一步的说明，显然，所描述的实施例仅仅是本专利技术一部分实施例，但并不作为对本专利技术限制的依据。
[0031]请参阅图1
‑
图7，一种基于机器视觉的圆柱滚子表面缺陷检测方法，包括以下步骤：
[0032]S1，拍摄滚子表面包括侧面、端面和倒角。滚子侧面采用上海默然光电公司制造的MPBG
‑
100100
‑
HW型号的高亮光源配合OPTO的PCCD012镜头(环外侧镜头)，该镜头可采集滚子直径与高度比约为3：2规格的圆柱滚子。滚子端面采用平行光源配合50mm焦距镜头。倒角图像采集方案为上方30
°
光源与下方45
°
光源配合形成辅助光源，照亮倒角盲区位置，并且搭载配合相机靶面尺寸的高分辨率、小焦距的镜头。
[0033]S2，制作数据集和扩充数据集。
[0034]制作数据集，使用LabelImg标注软件，用PASCAL VOC格式对缺陷进行标记。根据工业相机拍摄滚子不同部位表面所用的采集方案不同，因此同种缺陷在不同部位呈现的背景和形态特点都略有不同。因此根据滚子表面分侧面、端面和倒角，则制作三套数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的圆柱滚子表面缺陷检测方法，其特征在于，包括以下步骤：S1，采集圆柱滚子表面缺陷图片，并标注；S2，对标注后的文件和图片制作数据集，并且扩充数据集；S3，改进YOLOv5s模型中的骨干网络中的残差组件并更换激活函数；S4，将损失函数CIoU改为SIoU；S5，训练好改进模型得到最佳权重文件后对改进后的YOLOv5s模型进行封装；S6，将用Halcon软件编写的检测算子导出成C++程序进行封装；S7，将封装好的C++程序和改进后的YOLOv5s封装模型在QT框架上做好接口，采用封装好的C++程序和改进后的YOLOv5s模型对圆柱滚子表面缺陷进行检测。2.根据权利要求1所述的一种基于机器视觉的圆柱滚子表面缺陷检测方法，其特征在于，所述S1具体包括：采用高亮光源配合PCCD012环外侧镜头拍摄滚子侧面图片，采用平行光源配合50mm焦距镜头拍摄滚子端面，采用上方30
°
光源与下方45
°
光源配合形成辅助光源，配合相机靶面尺寸的高分辨率、小焦距的镜头拍摄滚子侧面，并且用LabelImg标注软件，以PASCAL VOC格式对缺陷进行标记得到xml文件。3.根据权利要求1所述的一种基于机器视觉的圆柱滚子表面缺陷检测方法，其特征在于，所述S2具体包括：将数据集划分为训练集、验证集和测试集，对数据集采用翻转、裁剪、加噪声、旋转、平移、镜像中一种或多种方式进行扩充。4.根据权利要求1所述的一种基于机器视觉的圆柱滚子表面缺陷检测方法，其特征在于，所述S3包括：将YO...

【专利技术属性】
技术研发人员：袁巨龙，孔佳骏，王金虎，王安静，吴金津，陈聪，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：