【技术实现步骤摘要】
本专利技术属于机器人视觉目标检测相关，更具体地，涉及一种陶瓷构件的表面缺陷检测方法及设备。
技术介绍
1、特种陶瓷因为其稳定性、硬度和耐磨性等诸多方向拥有优异的性能，广泛应用于包括航空航天、能源、电子、医疗、化工、冶金等领域，例如，天线罩是一种关键组件，用于维护导引头内部的探测系统，以确保在导弹高速、高机动飞行的极端条件下保持正常运行，其特点为尺寸大、加工精度要求高、性能控制严。它对导弹的气动特性和探测性能具有关键影响。
2、米级大尺寸陶瓷构件增材制造的生产基于沉降式数字光处理技术(dlp)，每下沉20微米-30微米，注入浆料，利用大跨度刮刀刮平，然后光固化这一层浆料，后续层层堆叠。实际生产中，多重因素会影响陶瓷构件的成形性，如刮刀长期使用，由于浆料不断刮擦导致的刮刀刃面产生磨损，进而导致在后续工序中，浆料液面平整度不能保证，光固化层间结构易产生气泡、划痕或凸起等缺陷，构件复杂结构多层堆积之下，缺陷延伸扩展导致生坯结构的成形性无法保证，因此实时监测陶瓷构件表面的加工形貌很有意义。
3、针对上述的构件缺陷的监测的难点，有多种成熟有效的测量方法被提出，包括声学检测法、红外热像法等。其中声学检测法通过分析刀具刮涂来构建表面产生的声音，间接判断刀具刮涂构件表面是否正常，红外热成像法则针对刮涂过程产生的热能获取热力图像。如专利cn202311756887.2提出了一种基于超声波和红外热成像的气体泄漏位置检测方法，针对目标获取一定时间段内的多个滤波后的音频信息，并由此判断出对应时间段内目标未发生气体泄露的时刻和发生气
4、综上所述，现有的技术或是不能实现陶瓷增材制造过程的缺陷实时检测，或是需要加装高精度的传感器硬件，对增材制造打印机的光路、伺服控制等固有设计造成影响，同时还无法保证快速精准检测。因此，需要一种能集合实时检测、检测率高、不影响打印机本体设计、对环境条件要求低等特征于一体的检测方法。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种陶瓷构件的表面缺陷检测方法及设备，其旨在提供一种能够实现特种陶瓷构件在复杂环境条件下增材制造整过程中表面形貌缺陷的实时检测的方法。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种陶瓷构件的表面缺陷检测方法，该方法包括以下步骤：
3、(1)获取陶瓷构件的表面图片数据，对图片中的缺陷进行标注以构建数据集，并将所述数据集的一部分组成训练集；
4、(2)将yolov5模型主干特征提取网络backbone由cspdarknet替换为swin-transformer网络，同时将yolov5模型的损失函数设置为d-iou loss，以得到改进yolov5模型；
5、(3)采用训练集对改进yolov5模型进行训练以得到最终改进yolov5模型；
6、(4)将待测的陶瓷构件的图片输入最终改进yolov5模型，最终改进yolov5模型输出待测的陶瓷构件的缺陷检测结果。
7、进一步地，步骤(1)中，利用labelimg软件中打开待标注的图片，对图片中的每个缺陷区域依次进行框选和命名，每个标注依次对应生成一个标签后缀.xml文件，标签文件和图片文件分别集合在annotations文件夹和voc文件夹中，完成数据集的标注。
8、进一步地，步骤(2)中，yolov5模型包括输入端、主干特征提取网络backbone、特征融合部分neck和输出端预测部分head；输入端对输入的陶瓷构件图片进行mosaic数据增强操作。
9、进一步地，输入端输入的图片经由swin-transformer网络过程为：以h×w×3形式输入，通过一个patch partition层以及stage i、stage ii、stage iii、stage iv实现降采样，分别在stage ii、stage iii、stage iv获得形式为h/8×w/8×2c、h/16×w/16×4c、h/32×w/32×8c的特征图；其中，每个stage中的swin-transformer block负责特征融合提取操作；被压缩后的特征图进入各个stage的swin-transformer block的特征为al-1，该特征首先经由ln层进行归一化，进入w-msa进行特征学习，再经过残差得到特征再依次经过ln、mlp和一次残差得到特征al，对al进行ln归一化和sw-msa特征学习，得到特征继续进行一次ln归一化操作和mlp，得到该stage的输出特征al+1。
10、进一步地，输入端输入的图片经由swin-transformer网络过程对应的公式为：
11、
12、式中：和al分别表示w-msa及其后置mlp的输出特征，和al+1分别表示sw-msa及其后置mlp的输出特征。
13、进一步地，三个输出特征进入改进yolov5模型的neck层进行特征融合，在预测阶段head将损失函数iou loss替换设置为d-iou loss。
14、进一步地，当预测框与缺陷目标重合时，d-iou loss用两者中心点距离平方除以最小闭包区域对角线距离平方，来衡量预测框是否位于缺陷目标中心，对应的公式为：
15、lossiou＝1-iou
16、
17、式中，ρ(,)是欧式距离计算，b与bgt分别为标定框与预测框对角线交点c为预测框、缺陷目标真实框最小包围框的对角线长度，iou为交并比损失函数。
1本文档来自技高网...
【技术保护点】
1.一种陶瓷构件的表面缺陷检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的陶瓷构件的表面缺陷检测方法，其特征在于：步骤(1)中，利用labelimg软件中打开待标注的图片，对图片中的每个缺陷区域依次进行框选和命名，每个标注依次对应生成一个标签后缀.xml文件，标签文件和图片文件分别集合在annotations文件夹和voc文件夹中，完成数据集的标注。
3.如权利要求1所述的陶瓷构件的表面缺陷检测方法，其特征在于：步骤(2)中，YOLOv5模型包括输入端、主干特征提取网络Backbone、特征融合部分Neck和输出端预测部分Head；输入端对输入的陶瓷构件图片进行Mosaic数据增强操作。
4.如权利要求3所述的陶瓷构件的表面缺陷检测方法，其特征在于：输入端输入的图片经由Swin-Transformer网络过程为：以H×W×3形式输入，通过一个Patch Partition层以及stage I、stage II、stage III、stage IV实现降采样，分别在stage II、stage III、stage IV获得形式为
5.如权利要求4所述的陶瓷构件的表面缺陷检测方法，其特征在于：输入端输入的图片经由Swin-Transformer网络过程对应的公式为：
6.如权利要求5所述的陶瓷构件的表面缺陷检测方法，其特征在于：三个输出特征进入改进YOLOv5模型的Neck层进行特征融合，在预测阶段Head将损失函数IoU loss替换设置为D-IoU loss。
7.如权利要求6所述的陶瓷构件的表面缺陷检测方法，其特征在于：当预测框与缺陷目标重合时，D-IoU loss用两者中心点距离平方除以最小闭包区域对角线距离平方，来衡量预测框是否位于缺陷目标中心，对应的公式为：
8.一种陶瓷构件的表面缺陷检测系统，其特征在于：所述系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行权利要求1-7任一项所述的陶瓷构件的表面缺陷检测方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-7任一项所述的陶瓷构件的表面缺陷检测方法。
...【技术特征摘要】
1.一种陶瓷构件的表面缺陷检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的陶瓷构件的表面缺陷检测方法，其特征在于：步骤(1)中，利用labelimg软件中打开待标注的图片，对图片中的每个缺陷区域依次进行框选和命名，每个标注依次对应生成一个标签后缀.xml文件，标签文件和图片文件分别集合在annotations文件夹和voc文件夹中，完成数据集的标注。
3.如权利要求1所述的陶瓷构件的表面缺陷检测方法，其特征在于：步骤(2)中，yolov5模型包括输入端、主干特征提取网络backbone、特征融合部分neck和输出端预测部分head；输入端对输入的陶瓷构件图片进行mosaic数据增强操作。
4.如权利要求3所述的陶瓷构件的表面缺陷检测方法，其特征在于：输入端输入的图片经由swin-transformer网络过程为：以h×w×3形式输入，通过一个patch partition层以及stage i、stage ii、stage iii、stage iv实现降采样，分别在stage ii、stage iii、stage iv获得形式为h/8×w/8×2c、h/16×w/16×4c、h/32×w/32×8c的特征图；其中，每个stage中的swin-transformer block负责特征融合提取操作；被压缩后的特征图进入各个stage的swin-transformer block的特征为al-1，该特...
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。