【技术实现步骤摘要】
本专利技术涉及缺陷检测，更具体的说是涉及一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法。
技术介绍
1、目前，钢丝绳广泛应用在各种提升、牵引、承载系统中，如提升机、起重机、索道、斜拉桥等。然而，由于长期使用和外界环境的影响，钢丝绳容易出现各种缺陷，如断丝、磨损等，这些缺陷会导致钢丝绳失去原有的力学性能和安全性能，甚至可能引发严重事故，因此，钢丝绳缺陷检测技术显得非常重要。随着计算机视觉技术的发展，基于机器视觉的钢丝绳缺陷检测方法逐渐成为研究热点。
2、但是，现有网络无法快速获取并长期记忆感兴趣区域位置，故该类网络架构在编码器与解码器子网络中需要使用大量参数量来重复提取感兴趣区域特征，难以充分提取钢丝绳表面的有效特征，进而影响缺陷检测的精确度。
3、因此，如何高效精准提取钢丝绳图像目标特征进而提高钢丝绳缺陷检测精确度是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，能够精准提取钢丝绳图像目标特征，从而有效地提高了缺陷检测精确度。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供了一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，包括：
4、构建包括频域筛选网络、增强网络、特征提取网络和分类网络的缺陷检测模型；
5、获取钢丝绳图像并输入至所述频域筛选网络，得到筛选频域特征；
6、将
7、所述增强网络包括：候选区域模块、第二非线性函数层和上采样层；
8、所述筛选频域特征输入至所述候选区域模块，得到图像候选区域；
9、所述图像候选区域依次输入至所述第二非线性函数层和所述上采样层进行处理，得到预处理区域；
10、所述预处理区域与所述钢丝绳图像进行逐像素点乘运算，得到所述增强特征；
11、将所述增强特征输入至所述特征提取网络，得到提取特征；
12、将所述提取特征输入至所述分类网络，得到缺陷预测结果；
13、基于所述缺陷预测结果和缺陷真实标签联合损失函数对所述缺陷检测模型进行训练，得到训练好的缺陷检测模型；
14、将待检测钢丝绳图像输入至所述训练好的缺陷检测模型，得到对应的缺陷预测结果。
15、优选的，所述频域筛选网络包括：频域转换模块、全局池化层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层和第一非线性函数层；
16、所述钢丝绳图像输入至所述频域转换模块，得到图像频域特征；
17、所述图像频域特征依次通过所述全局池化层、所述第一卷积层、所述第一激活层、所述第二卷积层、所述第二激活层、所述第三卷积层和所述第一非线性函数层处理，得到筛选特征；
18、所述筛选特征与所述图像频域特征进行融合，得到所述筛选频域特征。
19、优选的，所述频域转换模块包括：小波变换单元、第一批归一化层和第三激活层；
20、所述钢丝绳图像输入至所述小波变换单元，得到小波特征；
21、所述小波特征依次输入至所述第一批归一化层和所述第三激活层，得到所述图像频域特征。
22、优选的，所述候选区域模块包括：第四卷积层、第四激活层、第五卷积层、第五激活层和滤波算子；
23、所述筛选频域特征依次输入至所述第四卷积层、所述第四激活层、所述第五卷积层和所述第五激活层进行处理，得到显著区域；
24、所述显著区域与所述滤波算子进行卷积层运算，得到所述图像候选区域。
25、优选的，所述特征提取网络包括：第六卷积层、第二批归一化层、第六激活层、第七卷积层、第七激活层、第八卷积层和第八激活层；
26、所述增强特征依次输入至所述第六卷积层、所述第二批归一化层、所述第六激活层、所述第七卷积层、所述第七激活层、所述第八卷积层和所述第八激活层进行处理，得到所述提取特征。
27、优选的，所述分类网络包括：第九卷积层、第三批归一化层、第九激活层、第十卷积层、第四批归一化层和第十激活层；
28、所述提取特征依次输入至所述第九卷积层、所述第三批归一化层、所述第九激活层、所述第十卷积层、所述第四批归一化层和所述第十激活层进行处理，得到所述缺陷预测结果。
29、优选的，损失函数为：
30、l＝-[xlogy+(1-x)log(1-y)]；
31、其中，l表示损失函数，x表示图像对应的缺陷真实标签值，y表示模型的预测输出值。
32、第二方面，本专利技术提供了一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测系统，包括：模型构建模块、筛选频域特征获取模块、增强特征获取模块、预测模块、模型训练模块和结果输出模块；
33、所述模型构建模块，用于构建包括频域筛选网络、增强网络、特征提取网络和分类网络的缺陷检测模型；
34、所述筛选频域特征获取模块，用于获取钢丝绳图像并输入至所述频域筛选网络，得到筛选频域特征；
35、所述增强特征获取模块，用于将所述筛选频域特征和所述钢丝绳图像输入至所述增强网络，得到增强特征；
36、所述预测模块，用于将所述增强特征输入至所述特征提取网络，得到提取特征；将所述提取特征输入至所述分类网络，得到缺陷预测结果；
37、所述模型训练模块，用于基于所述缺陷预测结果和缺陷真实标签联合损失函数对所述缺陷检测模型进行训练，得到训练好的缺陷检测模型；
38、所述结果输出模块，用于将待检测钢丝绳图像输入至所述训练好的缺陷检测模型，得到对应的缺陷预测结果。
39、第三方面，本专利技术通过了一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
40、存储器，用于存放计算机程序；
41、处理器，用于执行存储器上所存放的程序时，能够实现如第一方面所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法。
42、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，能够精准提取钢丝绳图像目标特征，从而有效地提高了缺陷检测精确度，具有以下有益效果：
43、1、本专利技术方法能够主动、快速、准确地提取钢丝绳图像中目标高维特征，方法可解释性强且参数量低，对运行平台硬件条件要求远低于通用深度学习目标检测方法。
44、2、本专利技术所提出的方法可代替人工巡检，可判断钢丝绳外形是否异常，可实时发现钢丝绳表面是否出现损伤，克服了人工巡检的效率低、检测周期长和无法及时发现的问题，可满足实时性的要求。
45、3、本专利技术通过增强网络和特征提取网络能够精准提取目标特征，并将目标特征输入至分类网络，充本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述频域筛选网络包括：频域转换模块、全局池化层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层和第一非线性函数层；
3.根据权利要求2所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述频域转换模块包括：小波变换单元、第一批归一化层和第三激活层；
4.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述候选区域模块包括：第四卷积层、第四激活层、第五卷积层、第五激活层和滤波算子；
5.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述特征提取网络包括：第六卷积层、第二批归一化层、第六激活层、第七卷积层、第七激活层、第八卷积层和第八激活层；
6.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述分类网络包括：
7.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，损失函数为：
8.一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测系统，应用如权利要求1-7任一项所述的方法，其特征在于，包括：模型构建模块、筛选频域特征获取模块、增强特征获取模块、预测模块、模型训练模块和结果输出模块；
9.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
...【技术特征摘要】
1.一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述频域筛选网络包括：频域转换模块、全局池化层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层和第一非线性函数层；
3.根据权利要求2所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述频域转换模块包括：小波变换单元、第一批归一化层和第三激活层；
4.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述候选区域模块包括：第四卷积层、第四激活层、第五卷积层、第五激活层和滤波算子；
5.根据权利要求1所述的一种基于机器视觉的生产流水线上钢丝绳表面缺陷检测方法，其特征在于，所述特征提取网络...
【专利技术属性】
技术研发人员：王泽武，
申请(专利权)人：贵州装备制造职业学院，
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。