一种基于级联区域卷积神经网络的轮毂缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113469951A(43)申请公布日2021.10.01(21)申请号202110638698.XG06K9/62(2006.01)(22)申请日2021.06.08G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人燕山大学地址066004河北省秦皇岛市海港区河北大街438号(72)发明人程淑红芦嘉鑫张仕军张典范杨镇豪谢文锐(74)专利代理机构石家庄众志华清知识产权事务所(特殊普通合伙)13123代理人陈跃心(51)Int.Cl.G06T7/00(2017.01)G06T7/136(2017.01)G06T7/62(2017.01)G01N23/04(2018.01)权利要求书3页说明书6页附图3页(54)发明名称一种基于级联区域卷积神经网络的轮毂缺陷检测方法(57)摘要本发明公开了一种基于级联区域卷积神经网络的轮毂缺陷检测方法，包括如下步骤：S1、采集轮毂X光图像；S2、采用自适应阈值分割对轮毂X光图像进行预处理；S3、训练并优化轻量级卷积神经网络模型，用训练和优化后的模型对轮毂X光图像进行初步筛选，如有严重缺陷则过检失败，回炉重铸，非严重缺陷则进行轮毂缺陷检测；S4、建立基于级联区域卷积神经网络的缺陷检测模型，基于级联区域卷积神经网络的缺陷检测模型包括特征提取网络、特征金字塔网络以及级联检测器；S5、获取轮毂缺陷信息并计算缺陷面积，根据轮毂缺陷所在位置和缺陷大小对轮毂缺陷划分等级，本发明实现了铝合金轮毂缺陷的实时检测，以满足轮毂全自动生产的需求。CN113469951ACN113469951A权利要求书1/3页1.一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：包括如下步骤：S1、采集轮毂X光图像；S2、采用自适应阈值分割对轮毂X光图像进行预处理；S3、训练并优化轻量级卷积神经网络模型，用训练和优化后的模型对轮毂X光图像进行初步筛选，如有严重缺陷则过检失败，回炉重铸，所述严重缺陷包括轮毂浇灌不足、夹渣，非严重缺陷则进行轮毂缺陷检测；S4、建立基于级联区域卷积神经网络的缺陷检测模型，所述基于级联区域卷积神经网络的缺陷检测模型包括特征提取网络、特征金字塔网络以及级联检测器；S5、获取轮毂缺陷信息并计算缺陷面积，根据轮毂缺陷所在位置和缺陷大小对轮毂缺陷划分等级。2.根据权利要求1所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤S1中利用机械臂带动铝合金轮毂，使其旋转到对应拍摄点，获取不同区域的铝合金轮毂X光图像。3.根据权利要求2所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述机械臂旋转到固定点位，触发相机拍照，从而保持相同区域拍摄角度的一致性。4.根据权利要求1所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤S2中首先对轮毂X光图象进行平滑处理，再根据轮毂图像灰度分布，计算不同的局部阈值，实现轮毂X光图像的阈自适应分割，具体如下：预处理的自适应阈值矩阵为θ＝(1‑η)×Im，对输入轮毂图像进行平滑处理，平滑结果记为Im，η一般取0.5；阈值分割规则为其中I(r,c)为输入轮毂图像，O(r,c)为阈值分割后的图像。5.根据权利要求1所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤S3中用训练和优化后的轻量级卷积神经网络模型对轮毂X光图像进行初步筛选的具体步骤如下：在模型训练过程中通过反向传播算法最小化分类误差，并不断调整和迭代模型参数，然后将训练好的模型用剪枝算法进行压缩，形成轻量级网络模型，模型压缩过程为：首先，确定待分析参数，在剪裁之前需要确定待裁卷积层的参数的名称,通过观察参数名称和参数的形状，筛选出所有卷积层参数，并确定要裁剪的卷积层；其次，启动剪枝任务，剪裁掉res4f_branch2b_weights和res4f_branch2a_weights两个权重参数，参数压缩后的模型利于发现冗余参数的共同特征，根据这些特征来削减参数，使得模型携带更少的网络参数，从而解决内存问题和运行速度问题；最后评估剪枝模型，剪裁掉27％的参数权重，在不损失准确率的同时加快计算速率。6.根据权利要求1所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤S4中建立基于级联区域卷积神经网络的缺陷检测模型，提取轮毂X光图像特征的具体步骤如下：步骤1：采用可变形卷积对轮毂X光图像进行特征提取，在常规卷积上对卷积核加入偏2CN113469951A权利要求书2/3页移量，偏移后的卷积核通过学习是否在边缘区域来更新权重，继续增加偏移量，卷积核在附近位置随意采样，卷积核根据轮毂形状发生自适应变换，从而适应尺度多样的