基于深度学习的不锈钢表面缺陷检测系统收藏

    中国汽车产业经过几十年的发展,已经成长为中国经济的重要支柱产业其产业链长、关联度高、就业面广、消费拉动大,影响力已经渗透到社会发展与居民生活汽车零部件是汽车生产的一个重要环节，并且零部件在装配、检测等方面通常要求较高，视觉识别难度较大。

另一方面，基于深度学习的方法在视觉领域广泛应用，取得了较好的效果，但在机器视觉中应用不多在本项研究中，我们提出了基于深度学习的针对汽车零部件的检验检测方法，可以有效提高检验检测效率，为完全代替人工作业奠定基础。

我们的研究成果主要包含以下几个方面：1）提出了基于特征学习的零件姿态判定方法首先，我们对零件的三维模型以不同的视角进行投影由于虚拟的相机位置固定，因此每次投影可以获得一种零件的二维姿态图像，并最终得到多种姿态的图像。

第二，我们采用基于深度学习的特征检测、模板匹配等方法将实际中拍到的图片与模板进行匹配该方法可以有效提高在无序抓取条件下零件姿态的判定能力2）基于深度学习的汽车零部件分类方法首先，我们对零件分不同姿态采集图片，并将零件的图片数据按类别进行训练。

用于训练的算法是采用基于Yolo框架的深度学习模型在理论分析与实验研究的基础上，通过对网络参数进行调整来提高物体识别的准确率（图1）

图1识别的工件（3表示第3类，0.84表示置信度）3）基于深度学习的高反光物体缺陷检测方法我们将被检物体置于滑台上，并设置强光光源此时，被检物体会产生镜面反射，我们将相机放置于强光反射的临近区域，称之为弱光带。

我们主要检测弱光带上的缺陷问题通过滑台运动调整被检物体在暗光带上的位置，我们可以获得暗光带区域较为精确的图像在缺陷样本方面，我们首先人工获得部分物体的缺陷，之后，为扩充缺陷数据库，我们采用深度对抗生成网络来构造更多的缺陷数据。

之后，我们采用图像二值化等方法进行缺陷的提取（图2）此外，对于工件的不同侧面，需要用预先设置的多个相机从不同角度拍照每个角度的相机都没有检测出缺陷则认定为合格本方法对于凸点、凹坑、划痕等形态缺陷检出率达到99%。

 图2 识别后的缺陷示意图

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。