一种基于机器视觉的汽车齿轮成品缺陷检测方法.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CN111429403A(43)申请公布日2020.07.17(21)申请号202010121242.1G06K9/62(2006.01)(22)申请日2020.02.26G06N3/04(2006.01)G01B11/24(2006.01)(71)申请人北京航空航天大学杭州创新研究院G01N21/88(2006.01)地址310051浙江省杭州市滨江区长河街G01N21/94(2006.01)道创慧街18号(72)发明人曾杰罗喜伶金晨彭建鑫(74)专利代理机构杭州求是专利事务所有限公司33200代理人郑海峰(51)Int.Cl.G06T7/00(2017.01)G06T7/10(2017.01)G06T7/13(2017.01)G06T7/136(2017.01)G06T5/00(2006.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于机器视觉的汽车齿轮成品缺陷检测方法(57)摘要本发明公开了一种基于机器视觉的汽车齿轮成品缺陷检测方法。针对当前采样数字化图像处理技术对汽车齿轮部件缺陷识别精度不高的问题。本发明利用数字图像处理技术对齿轮等零部件轮廓以及边缘部分进行提取，然后将提取后的齿轮边界图像作为先验信息融入改进的UNet网络结构中，进行人为地补充底层特征信息作为网络训练的参考，从而达到更好的信息融合效果。本发明基于UNet网络结构对齿轮图像语义进行分割，能够完全识别出细小的裂缝、污迹等缺陷。CN111429403ACN111429403A权利要求书1/2页1.一种基于机器视觉的汽车齿轮成品缺陷检测方法，其特征在于包括如下步骤：1)Unet网络的下采样过程对齿轮原始图像进行逐层下采样压缩处理，下采样过程由n个下采样特征层组成，每个下采样特征层均包括卷积和池化单元用来展现环境信息；齿轮原始图像经Unet网络的下采样过程后得到各个下采样特征层的输出特征图G1-Gn；同时对齿轮原始图像进行边缘提取得到识别边缘轮廓后的图像；将该图像分别经过单层卷积网络进行尺寸修正得到与下采样各阶段特征层的输出特征图分辨率相一致的图像D1-Dn；2)特征图G1-Gn分别与步骤1)经尺寸修正后的图像D1-Dn的元素以级联形式生成融合特征图像F1-Fn，以通道的方式添加来加强浅层网络对于图像边缘简单特征的抓取；3)Unet网络的上采样过程同样由N个上采样层组成，在Unet网络的上采样过程中，将被压缩了n次后得到的特征图Gn进行第一上采样层上采样，上采样后与融合特征图像Fn-1经过第二上采样层的嵌入模块来学习级联融合，嵌入模块的输出作为第二上采样层的输入，第二上采样层上采样后与融合特征图像Fn-2经过第三上采样层的嵌入模块学习级联融合，嵌入模块的输出作为第三上采样层的输入，以此类推；经历n次融合逐层上采样反卷积后，获得各上采样层的特征图；对原始标签图像进行弹性形变达到与每一层输入图像相同的尺寸，作为上采样阶段每一层的标签图像，上采样阶段每层采用softmax作为激活函数，把获得的特征重新映射到标签图像中的每一个像素点，用于每一个像素点的分类；将对数损失函数计算预测值与真实值之间的差值作为上采样每一阶段的损失，整个网络损失函数为各个上采样阶段的总和；将得到的差值前向反馈用来修正各个卷积层和嵌入模块的权重参数；4)将上采样每个阶段获得的特征图输入到1*1的卷积层，最后通过softmax层，得到与各阶段图像尺寸相一致的各部分分割图像。2.根据权利要求1所述的基于机器视觉的汽车齿轮成品缺陷检测方法，其特征在于网络整个损失函数表示为：其中，Li为每个上采样各个阶段的损失部分，N为批处理图片数量，i为类别数目，pi表示当前像素属于类别i类别的概率，使用softmax函数表示当前输入的图片属于类别i的概率。3.根据权利要求1所述的基于机器视觉的汽车齿轮成品缺陷检测方法，其特征在于所述的嵌入模块具体为：在UNet网络上采样时，上一层的上采样输出图像U1经过卷积模块提取特征后，再进行双线性上采样来恢复与融合特征图像F1相一致的尺寸，接着同融合特征图像F1逐元素相乘，最后作为下一个上采样阶段的输入。4.根据权利要求1所述的基于机器视觉的汽车齿轮成品缺陷检测方法，其特征在于：每个下采样层包括连续的2次卷积层，卷积选用空洞卷积，卷积核大小为3*3，空洞因子为2，步长为1，然后经过Relu的非线性层，最后通过步长为2的2*2的最大池化层。5.根据权利要求1所述的基于机器视觉的汽车齿轮成品缺陷检测方法，其特征在于：每个上采样层包括连续的2*2的反卷积层和2次的3*3卷积层，特征通道逐渐减半。6.根据权利要求1所述的基于机器视觉的汽车齿轮成品缺陷检测方法，其特征在于：所2CN111429403A权