【技术实现步骤摘要】
本专利技术涉及基于机器视觉的表面缺陷检测方法，更具体的是涉及一种基于机器视觉的移动端汽车零部件表面缺陷检测方法。
技术介绍
1、机器视觉检测技术的应用已经广泛涵盖了工业自动化、质量控制和机器人导航等领域。该技术利用计算机视觉和图像处理算法，通过工业相机或其他感知设备捕获物体的图像，并对图像进行分析和处理，以实现物体表面缺陷的精确定位。
2、传统的缺陷检测设备通常是专门设计用于检测特定类型的产品，一旦产品发生变更，就需要重新调试设备以适应新的产品。这种设备操作复杂，对操作人员要求高，增加了人力成本。同时，设备构造复杂，维护和维修也不方便。此外，要提升设备性能通常需要全新的设备，升级周期长，与工业需求快速迭代的要求不匹配。
技术实现思路
1、为解决现有的缺陷检测设备存在的问题，现提供一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，本技术方案能够打破空间限制，实现移动端检测，使得检测设备可以随时随地部署，适应多样化的工作环境。其次，该方法降低了操作难度，不再对操作人员有过高的专业技术要求，减少了人力成本。此外，该方法采用智能算法结合先进的人工智能技术，提升了检测效率和精度，具体方案如下：
2、一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，所述的表面缺陷检测方法包括以下步骤：
3、s1、采集图片；
4、s2、制作汽车线束错漏装的数据集：首先采集一定数量的小样本数据集，引入随机旋转、缩放数据增强算法对图像数量进行扩充，引入噪声进行数据
5、s3、yolov8模型训练：在pytorch深度学习框架下，利用yolov8目标检测算法对已知数据集进行训练，不断迭代更新，得到基于当前数据集的最优模型，定位出待检测线束区域，并且对定位到的线束进行分类，判断有无错漏装的情况；
6、s4、移动端模型部署：首先将pth模型转换为onnx模型，再将onnx模型转换为ncnn模型，最后在安卓端进行ncnn部署；
7、s5、进行实际场景线束检测。
8、进一步的，s2进行随机旋转时，随机生成一个θ值，利用旋转公式变换，以图像中心点为旋转中心，旋转角度为θ的坐标变换公式为：
9、x'＝(x-center_x)*cos(θ)-(y-center_y)*sin(θ)+center_x
10、y'＝(x-center_x)*sin(θ)+(y-center_y)*cos(θ)+center_y
11、上式中(x,y)是原始图像中的像素坐标，(x',y')是旋转后的像素坐标，
12、(center_x,center_y)是旋转中心坐标，θ是旋转角度。
13、进一步的，s2进行随机缩放时，随机生成sx和sy的值，坐标变换公式为：
14、x'＝x*sx
15、y'＝y*sy
16、上式中(x,y)是原始图像中的像素坐标，(x',y')是缩放后的像素坐标，sx和sy是水平和垂直方向的缩放因子。
17、进一步的，s2中引入的随机噪声包括高斯噪声、椒盐噪声以及均匀噪声。
18、进一步的，mosaic数据增强包括以下步骤：采取mosaic数据增强中的随机裁剪、缩放和拼接的操作，生成最终的新数据集，新的数据集数量扩充到原始数据集的四倍；将采集到的图像数据集按照8:2的比例随机划分为训练集和测试集，作为后续模型训练时的输入样本集。
19、进一步的，对图像加高斯噪声实际上就是对图像的灰度值操作，通过
20、
21、上式中g'(x,y)为添加高斯噪声后的灰度值，n(x,y)表示添加的随机高斯噪声，是由高斯分布生成具有正态分布的随机值，正态高斯分布中：x是随机变量，σ是标准差。
22、进一步的，使用以下数学公式来添加椒盐噪声：
23、
24、g'(x,y)＝(1-n(x,y))*g(x,y)+n(x,y)*v
25、上式中g'(x,y)是合成的输出图像的像素值，g(x,y)是原始图像的像素值，n(x,y)是椒盐噪声标识函数，取0或1；v表示噪声点的取值，取0或255。
26、进一步的，使用以下公式添加均匀噪声：
27、g'(x,y)＝g(x,y)+n(x,y)
28、＝g(x,y)+u(-δ/2,δ/2)
29、上式中g'(x,y)是合成的输出图像的像素值，g(x,y)是原始图像的像素值，n(x,y)是均匀噪声标识函数为从指定的均匀分布区间(-δ/2,δ/2)中随机生成的数值会被添加到原始图像的像素值上，从而产生包含均匀噪声的输出图像。
30、有益效果：
31、本专利技术提供了一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，具体包括以下优势：
32、(1)本专利技术采用基于深度学习的yolov8模型进行汽车零部件表面缺陷检测，相比于传统的视觉检测方法，能够更精准地定位出缺陷位置，并且检测速度快、实时性强。通过随机旋转、缩放和添加噪声等数据增强技术对小样本数据集进行扩充，增加了训练数据的多样性，从而提升了模型的泛化能力，使得模型在面对新的或者未知的数据时，仍然能保证较高的检测精度。
33、(2)本专利技术使用mosaic数据增强算法进一步增加样本的数量及丰富性，mosaic数据增强算法可以将多张图像拼接成一张新的图像，这种方法既可以生成大量新的训练样本，又能增加样本的多样性，提升模型的泛化能力。采用移动端部署的方式，打破了空间限制，可以实现任何时间、任何地点的实时检测，大大提高了检测的便捷性和效率。
34、(3)本专利技术引入的随机噪声包括高斯噪声、椒盐噪声以及均匀噪声，这些噪声能够模拟真实环境中的各种干扰因素，增强了模型对于复杂环境的适应性。
本文档来自技高网...【技术保护点】
1.一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，所述的表面缺陷检测方法包括以下步骤：
2.根据权利要求1所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，S2进行随机旋转时，随机生成一个θ值，利用旋转公式变换，以图像中心点为旋转中心，旋转角度为θ的坐标变换公式为：
3.根据权利要求1所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，S2进行随机缩放时，随机生成sx和sy的值，坐标变换公式为：
4.根据权利要求1所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，S2中引入的随机噪声包括高斯噪声、椒盐噪声以及均匀噪声。
5.根据权利要求1所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，mosaic数据增强包括以下步骤：采取mosaic数据增强中的随机裁剪、缩放和拼接的操作，生成最终的新数据集，新的数据集数量扩充到原始数据集的四倍；将采集到的图像数据集按照8:2的比例随机划分为训练集和测试集，作为后续模型训练时的输入样本集。
7.根据权利要求4所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，使用以下数学公式来添加椒盐噪声：
8.根据权利要求4所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，使用以下公式添加均匀噪声：
...【技术特征摘要】
1.一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，所述的表面缺陷检测方法包括以下步骤：
2.根据权利要求1所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，s2进行随机旋转时，随机生成一个θ值，利用旋转公式变换，以图像中心点为旋转中心，旋转角度为θ的坐标变换公式为：
3.根据权利要求1所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，s2进行随机缩放时，随机生成sx和sy的值，坐标变换公式为：
4.根据权利要求1所述的一种基于机器视觉的移动端汽车零部件表面缺陷检测方法，其特征在于，s2中引入的随机噪声包括高斯噪声、椒盐噪声以及均匀噪声。
5.根据权利要求1所述的一种基于机器视觉的移动端...
【专利技术属性】
技术研发人员：孔啸，姚韦，夏炎，钱鸣尧，
申请(专利权)人：江苏润模汽车检测装备有限公司，
类型：发明
国别省市：
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。