【技术实现步骤摘要】
本专利技术涉及缺陷检测，特别涉及一种基于机器视觉的制冷阀门外表面缺陷检测方法及系统。
技术介绍
1、制冷阀门是制冷系统中的关键组件，广泛应用于空调、冷藏、工业制冷等领域。它们负责控制制冷剂的流动和调节系统的压力和温度，从而确保系统高效、安全运行。制冷阀门的质量直接影响制冷系统的性能和可靠性，因此制冷阀门的质量控制显得尤为重要。
2、制冷阀门在制造或者使用过程中容易产生外表面缺陷，如裂纹、划痕、锈蚀等。这些缺陷可能会影响阀门的密封性能、导致阀门的结构强度下降以及腐蚀风险增加等一系列的问题。
3、传统的制冷阀门外表面缺陷检测方法主要包括人工目视检查和基于模型训练的模型检测。由于人工视察的效率低下，因此，大都采用训练好的模型进行检测，然而，由于制冷阀门外表面缺陷或异常现象发生的罕见性导致难以收集足够多的缺陷样本，使得缺陷样本基数太少而导致模型训练难以捕捉到足够多的特征，容易导致训练的模型精度不高，进而导致制冷阀门外表面缺陷识别不够准确的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于机器视觉的制冷阀门外表面缺陷检测方法及系统，旨在解决现有技术中在进行制冷阀门外表面缺陷识别不够准确的问题。
2、本专利技术实施例是这样实现的：
3、一方面提出一种基于机器视觉的制冷阀门外表面缺陷检测方法，所述方法包括：
4、采集预设数量的外表面存在缺陷的制冷阀门缺陷图像以及外表面未存在缺陷的制冷阀门正常图像，并根据所述制冷阀门缺陷
5、按预设数据增强策略对所述训练数据集进行扩充，并将所述训练数据集划分为标注训练数据集和未标注训练数据集；
6、将所述未标注训练数据集输入与预设神经网络当中进行深度学习得到初始缺陷检测模型，后将所述标注训练数据集输入到训练好的所述初始缺陷检测模型中调整模型的超参数得到所述缺陷检测模型；
7、获取待检测的制冷阀门外表面图像，将所述制冷阀门外表面图像输入至所述缺陷检测模型当中以检测所述制冷阀门外表面是否存在缺陷。
8、进一步的，上述基于机器视觉的制冷阀门外表面缺陷检测方法，其中，所述按预设数据增强策略对所述训练数据集进行扩充的步骤包括：
9、对所述训练数据集当中的图像以随机概率添加椒盐噪声和高斯
10、模糊；或者对所述训练数据集当中的图像进行随机水平翻转、随机角度翻转；或者对所述训练数据集当中的图像进行对比度增强得到另一图像数据。
11、进一步的，上述基于机器视觉的制冷阀门外表面缺陷检测方法，其中，所述按预设数据增强策略对所述训练数据集进行扩充的步骤还包括：
12、获取所述制冷阀门缺陷图像当中的制冷阀门的缺陷区域，通过对所述缺陷区域进行调整对所述制冷阀门的缺陷进行变换得到目标制冷阀门缺陷图像，以对所述训练数据集进行扩充。
13、进一步的，上述基于机器视觉的制冷阀门外表面缺陷检测方法，其中，所述通过对所述缺陷区域进行调整对所述制冷阀门的缺陷进行变换得到目标制冷阀门缺陷图像的步骤包括：
14、对所述缺陷区域在所述制冷阀门缺陷图像上进行随机水平翻转、随机角度翻转得到目标制冷阀门缺陷图像。
15、进一步的，上述基于机器视觉的制冷阀门外表面缺陷检测方法，其中，所述通过对所述缺陷区域进行调整对所述制冷阀门的缺陷进行变换得到目标制冷阀门缺陷图像的步骤还包括：
16、判断所述缺陷区域是否为单个；
17、若是，则获取所述缺陷区域内的缺陷趋势，根据所述缺陷趋势对所述缺陷进行延展得到所述目标制冷阀门缺陷图像；
18、若否，则根据所述缺陷类型对所述缺陷区域内的缺陷进行融合后得到所述目标制冷阀门缺陷图像。
19、进一步的，上述基于机器视觉的制冷阀门外表面缺陷检测方法，其中，所述将所述未标注训练数据集输入与预设神经网络当中进行深度学习得到初始缺陷检测模型的步骤包括：
20、获取训练过程中的模型预测值与实际值之间的损失，根据所述损失进行反向传播得到所述初始缺陷检测模型。
21、进一步的，上述基于机器视觉的制冷阀门外表面缺陷检测方法，其中，所述将所述标注训练数据集输入到训练好的所述初始缺陷检测模型中调整模型的超参数得到所述缺陷检测模型的步骤之前还包括：
22、获取所述标注训练数据集的样本数，根据所述样本数将所述标注训练数据集划分成与所述样本数相同的等份；
23、设置一个循环，循环所述样本数相同的次数，每次选择不同的一个等份作为验证集，其余作为训练集；
24、在每次循环中，使用当前选择的所述训练集来训练所述初始缺陷检测模型，使用当前的所述验证集来评估所述初始缺陷检测模型的性能。
25、本专利技术的另一个目的在于提供一种基于机器视觉的制冷阀门外表面缺陷检测系统，所述系统包括：
26、获取模块，用于采集预设数量的外表面存在缺陷的制冷阀门缺陷图像以及外表面未存在缺陷的制冷阀门正常图像，并根据所述制冷阀门缺陷图像和制冷阀门正常图像建立训练数据集；
27、增强模块，用于按预设数据增强策略对所述训练数据集进行扩充，并将所述训练数据集划分为标注训练数据集和未标注训练数据集；
28、训练模块，用于将所述未标注训练数据集输入与预设神经网络当中进行深度学习得到初始缺陷检测模型，后将所述标注训练数据集输入到训练好的所述初始缺陷检测模型中调整模型的超参数得到所述缺陷检测模型；
29、检测模块，用于获取待检测的制冷阀门外表面图像，将所述制冷阀门外表面图像输入至所述缺陷检测模型当中以检测所述制冷阀门外表面是否存在缺陷。
30、又一方面，本专利技术提出一种可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法的步骤。
31、又一方面，本专利技术提出一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。
32、本专利技术实施例通过采集预设数量的外表面存在缺陷的制冷阀门缺陷图像以及外表面未存在缺陷的制冷阀门正常图像，并根据制冷阀门缺陷图像和制冷阀门正常图像建立训练数据集；按预设数据增强策略对训练数据集进行扩充，并将训练数据集划分为标注训练数据集和未标注训练数据集；将未标注训练数据集输入与预设神经网络当中进行深度学习得到初始缺陷检测模型，后将标注训练数据集输入到训练好的初始缺陷检测模型中调整模型的超参数得到缺陷检测模型；获取待检测的制冷阀门外表面图像，将制冷阀门外表面图像输入至缺陷检测模型当中以检测制冷阀门外表面是否存在缺陷。通过数据增强策略扩充训练数据集，增加样本数量，在进行训练时，采用未标注的数据进行自监督预训练获得通用的特征信息，后利用标注的数据进行模型的微调，克服传统监督学习训练依赖大量标注数据而缺陷样本基数太少的缺陷，解决了现有技术中在进行制冷阀门外表面缺陷识别本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述方法包括：
2. 根据权利要求1所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述按预设数据增强策略对所述训练数据集进行扩充的步骤包括：
3.根据权利要求1所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述按预设数据增强策略对所述训练数据集进行扩充的步骤还包括：
4.根据权利要求3所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述通过对所述缺陷区域进行调整对所述制冷阀门的缺陷进行变换得到目标制冷阀门缺陷图像的步骤包括：
5.根据权利要求3所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述通过对所述缺陷区域进行调整对所述制冷阀门的缺陷进行变换得到目标制冷阀门缺陷图像的步骤还包括：
6.根据权利要求1所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述将所述未标注训练数据集输入与预设神经网络当中进行深度学习得到初始缺陷检测模型的步骤包括：
7.根据权利要求1所述的基于机器视觉的制冷
8.一种基于机器视觉的制冷阀门外表面缺陷检测系统，其特征在于，所述系统包括：
9.一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任意一项所述的方法的步骤。
10.一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述方法包括：
2. 根据权利要求1所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述按预设数据增强策略对所述训练数据集进行扩充的步骤包括：
3.根据权利要求1所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述按预设数据增强策略对所述训练数据集进行扩充的步骤还包括：
4.根据权利要求3所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述通过对所述缺陷区域进行调整对所述制冷阀门的缺陷进行变换得到目标制冷阀门缺陷图像的步骤包括：
5.根据权利要求3所述的基于机器视觉的制冷阀门外表面缺陷检测方法，其特征在于，所述通过对所述缺陷区域进行调整对所述制冷阀门的缺陷进行变换得到目标制冷阀门缺陷图像的步骤还包括：
6.根据权利...
【专利技术属性】
技术研发人员：王宝民，赵宇飞，刘浪，
申请(专利权)人：江西鸥迪铜业有限公司，
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。