【技术实现步骤摘要】
本专利技术涉及结构部件测试领域，具体是一种tpv针织复合管外观在线视觉检测系统。
技术介绍
1、近年来，随着人工智能技术的快速发展，深度学习技术在图像识别和处理领域取得了显著的进展。特别是在新能源汽车制造过程中，对于各种复杂材料和部件的外观质量检测，深度学习技术发挥着越来越重要的作用。其中，tpv针织复合管作为新能源汽车中的关键部件，其外观质量的检测对于确保整车的安全性和性能至关重要。
2、深度学习模型通过大量的训练数据，能够自动学习和提取图像中的特征，进而实现对tpv针织复合管各种外观缺陷的准确识别。与传统的视觉检测方法相比，深度学习技术不仅提高了检测的准确性，还大大提升了检测效率，使得实时在线检测成为可能。
3、此外，随着高分辨率成像技术的进步，视觉检测系统能够获取更加清晰、详细的图像信息，进一步增强了系统的检测能力。同时，实时处理能力的提升也确保了系统能够快速响应并处理大量的图像数据，满足生产线上的实时检测需求。除了硬件和算法上的进步，自适应学习与优化功能也是当前视觉检测系统的重要发展方向。通过不断地学习和优化，系统能够自动适应各种复杂环境和变化条件，提高检测的稳定性和可靠性。
4、视觉检测系统正逐渐与新能源汽车制造过程中的其他环节进行深度融合。这不仅提高了生产效率，还降低了生产成本，为新能源汽车产业的快速发展提供了有力保障。
5、公开（公告）号：cn111122172a，公开（公告）日：2020.05.08，涉及一种汽车零部件视觉检测系统，包括光学成像系统、图像获取设备、图
技术实现思路
1、本专利技术为了解决上述现有技术中的问题，提供一种tpv针织复合管外观在线视觉检测系统。
2、为了实现上述目的，本专利技术提供的方案为：一种tpv针织复合管外观在线视觉检测系统，包括图像采集组件、模型训练子系统和视觉检测子系统。
3、图像采集组件设有照明单元及图像获取单元，照明单元为一组相对照明的可调节led灯箱，led灯箱作为照明单元时为软光源，使用软光源能够产生柔和且均匀的光线，进行均匀打光，照明单元用于减少tpv针织复合管表面图像的阴影和反光情况。图像获取单元用于捕捉待检测的tpv针织复合管曲面图像，并将捕捉的tpv针织复合管曲面图像放入图像数据集中。图像采集组件为子系统提供样本数据集图像，为识别子系统提供被检测产品的实时图像。
4、模型训练子系统用于得到进行视觉检测的模型，包括，数据处理模块，数据处理模块包括自适应网格标注单元、数据归一化单元、特征提取单元和降维单元。
5、自适应网格标注单元用于对图像数据集中的tpv针织复合管曲面图像生成标注网格，自适应网格标注单元通过记录图像坐标变换，自动生成网格，并对每个网格内的区域进行标注，由于tpv针织复合管的缺陷可能千变万化，自适应网格能够灵活适应各种形状和大小的缺陷，确保标注的准确性和完整性。
6、数据归一化单元用于调整图像数据集中tpv针织复合管曲面图像的尺寸，并将其像素值范围调整到0至1的区间内，数据归一化单元用于调整图像数据的尺度，使其落在统一的范围内，有助于模型提高计算效率，更有效地学习和比较不同特征的值。
7、特征提取单元用于提取图像数据集中tpv针织复合管曲面图像的轮廓特征，降维模块用于将提取到的tpv针织复合管曲面图像轮廓特征转换为低维数据，特征提取和数据降维可以提取出对训练tpv针织复合管缺陷检测模型有利的特征，将其由高维转为低维数据，以此减少数据集的复杂性，降低计算成本。
8、模型训练子系统还包括模型构建模块，模型构建模块利用算法构建数据检测模型，通过使用数据图像集中的低维数据进行迭代训练，完成数据检测模型构建。在进行模型构建时，采用非监督学习方法进行ai模型训练，使用该方法进行ai模型训练时无需大量的标记数据，因此能够减少对标记数据的依赖，降低数据收集和标注成本。模型构建使用自编码器，自编码器通过识别图像数据集输入的数据，对其进行压缩和重构，从而发现数据内在结构，当数据出现异常时，重构误差较大，系统从而判断出tpv针织复合管表面图像出现异常缺陷。
9、视觉检测子系统用于识别生产线中tpv针织复合管产品的缺陷情况，并将缺陷信息反馈至终端，包括，缺陷识别模块，缺陷识别模块使用数据检测模型进行缺陷检测，根据检测到的缺陷产品轮廓信息，加载其位置信息，并输出缺陷信号。
10、还包括缺陷警报组件，缺陷警报组件设有蜂鸣器，当缺陷识别模块输出结果为缺陷信号时，缺陷报警组件接收信号，并通过缺陷信号驱动蜂鸣器工作，对工作人员进行缺陷警示以剔除缺陷产品。
11、作为优选的，模型构建模块基于pytorch深度学习框架构建卷积自编码器模型，在pytorch中，继承nn.module类来定义自编码器模型，并在__init__方法，即初始化构造方法中初始化编码器和解码器的层，在forward方法中定义前向传播过程，使用pytorch学习框架为用于非监督学习下的自编码器的构建提供了构建、训练和评估深度学习模型需要的库和构建工具。
12、作为优选的，模型构建模块基于dataloader加载图像数据集，并进行数据集中数据的批量处理，有利于更高效地利用计算资源，提高训练速度，同时可以较大程度上解决数据过拟合问题。
13、作为优选的，图像数据集分为训练集、验证集及测试集，图像数据集由采集到的tpv针织复合管表面图像构成，在图像进行预处理之后，将图像数据集分为训练集、验证集和测试集，三种数据集的数据相互独立，有利于提高模型训练及交叉验证的效率。
14、作为优选的，模型构建模块基于初始化构造方法对自编码器进行重构及计算重构误差。对于新的图像数据，通过卷积自编码器进行重构，并计算重构误差。如果重构误差超过预设阈值，则认为该图像存在异常，此时输出图像缺陷的位置坐标，以及缺陷的像素单位面积。
15、作为优选的，自适应网格标注单元记录图像坐标变换自动生成网格，并对网格区域内的图像标注网格轮廓尺寸，自适应网格标注会自动对网格划分误差并进行网格细化，以此可以获得更好的数值模拟计算结果，自适应网格可以捕捉动态变化的图像数据，因此可以识别tpv针织复合管生产线上的动态图像缺陷。
16、作为优选的，特征提取模块提取图像轮廓特征，检测网格轮廓大小是否超过预设阈值，本文档来自技高网...
【技术保护点】
1.一种TPV针织复合管外观在线视觉检测系统，其特征在于，包括图像采集组件、模型训练子系统和视觉检测子系统，所述图像采集组件设有照明单元及图像获取单元，所述照明单元用于对TPV针织复合管曲面进行均匀打光，所述图像获取单元用于捕捉待检测的TPV针织复合管曲面图像，并将捕捉的TPV针织复合管曲面图像放入图像数据集中；
2.根据权利要求1所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述模型构建模块基于PyTorch深度学习框架构建卷积自编码器模型。
3.根据权利要求1或2所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述模型构建模块基于DataLoader加载图像数据集，并进行数据集中数据的批量处理。
4.根据权利要求1所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述图像数据集将捕捉到的图像随机均匀为训练集、验证集和测试集，三种数据集的数据相互独立。
5.根据权利要求3所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述模型构建模块基于初始化构造方法对自编码器进行重构及计算重构误差
6.根据权利要求1所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述自适应网格标注单元记录图像坐标变换自动生成网格，并对网格区域内的图像标注网格轮廓尺寸。
7.根据权利要求1所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述特征提取单元提取图像轮廓特征，检测网格轮廓大小是否超过预设阈值。
8.根据权利要求1所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述降维单元基于神经网络结构，采用均方误差损失函数进行数据降维。
9.根据权利要求8所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述均方误差损失函数定义为
10.根据权利要求9所述的一种TPV针织复合管外观在线视觉检测系统，其特征在于，所述均方差误差损失函数使用梯度下降优化算法进行最小化，通过反向传播算法计算损失函数对模型参数的梯度，并更新参数以减小均方差误差损失函数的值。
...【技术特征摘要】
1.一种tpv针织复合管外观在线视觉检测系统，其特征在于，包括图像采集组件、模型训练子系统和视觉检测子系统，所述图像采集组件设有照明单元及图像获取单元，所述照明单元用于对tpv针织复合管曲面进行均匀打光，所述图像获取单元用于捕捉待检测的tpv针织复合管曲面图像，并将捕捉的tpv针织复合管曲面图像放入图像数据集中；
2.根据权利要求1所述的一种tpv针织复合管外观在线视觉检测系统，其特征在于，所述模型构建模块基于pytorch深度学习框架构建卷积自编码器模型。
3.根据权利要求1或2所述的一种tpv针织复合管外观在线视觉检测系统，其特征在于，所述模型构建模块基于dataloader加载图像数据集，并进行数据集中数据的批量处理。
4.根据权利要求1所述的一种tpv针织复合管外观在线视觉检测系统，其特征在于，所述图像数据集将捕捉到的图像随机均匀为训练集、验证集和测试集，三种数据集的数据相互独立。
5.根据权利要求3所述的一种tpv针织复合管外观在线视觉检测系统，其特征在于，所述模型...
【专利技术属性】
技术研发人员：唐慧，唐飞，张斌鑫，柯胜飞，
申请(专利权)人：杭州映图智能科技有限公司，
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。