[发明专利]一种轮形铸造产品缺陷自动检测方法

权利要求书

1.一种轮形铸造产品缺陷自动检测方法，其特征在于，包括样本预处理、离线训练、在线检测三个阶段，具体步骤包括：

S1.训练样本的采集；

S2.进行样本的预处理；

S3.样本分类成轮辐、轮辋和轮轴三大类并进行处理；

S4.通过轮辐、轮辋和轮轴三类样本，网络离线学习训练并分别生成在线适用的轮辐、轮辋和轮轴检测器；

S5.将训练成功的卷积神经网络轮辐缺陷检测器、卷积神经网络轮辋缺陷检测器、卷积神经网络轮轴缺陷检测器分别载入上位机，并置于自动生产检测线；

S6.进行在线全自动缺陷检测；

具体包含以下子步骤：

S6-1.获取轮毂的轮轴图像，并利用样本离线预处理的方法对获取的轮轴图像进行预处理，调用轮轴缺陷检测检测器对每幅轮轴图像进行缺陷检测，如果发现存在缺陷，则对存在缺陷的区域进行标记，并以检测的时间作为文件名命名该幅图像进行保存；

S6-2.获取轮毂的轮辐图像，并利用样本离线预处理的方法对获取的轮辐图像进行预处理，调用轮辐缺陷检测检测器对每幅轮辐图像进行缺陷检测，如果发现存在缺陷，则对存在缺陷的区域进行标记，并以检测的时间作为文件名命名该幅图像进行保存；

S6-3.获取轮毂的轮辋图像，并利用样本离线预处理的方法对获取的轮辋图像进行预处理，调用轮辋缺陷检测检测器对每幅轮辋图像进行缺陷检测，如果发现存在缺陷，则对存在缺陷的区域进行标记，并以检测的时间作为文件名命名该幅图像进行保存；

S6-4.如果在步骤S6-1至S6-3的任一幅图像中检测出缺陷，则将该轮毂送入不合格产品区，如果没有检测出缺陷，就将该轮毂送入合格产品区；

S7.缺陷识别检测的输出方式根据用户的要求输出。

2.根据权利要求1所述的轮形铸造产品缺陷自动检测方法，其特征在于，所述步骤S2，具体包含以下子步骤：

S2-1.使用3×3邻域模板对采集的轮毂图像进行平滑滤波，用来消除轮毂图像在采集过程中产生的图像噪声；

S2-2.利用梯度锐化算法，将图像当前点像素值与其下一个像素值之差的绝对值，加上当前点像素值与其下一行当前像素值之差的绝对值，如果结果大于阈值，则当前点像素值置为此结果；

S2-3.对步骤S2-2所得的图像进行直方图均衡化；

S2-4.对步骤S2-3所得的图像归一化处理。

3.根据权利要求1所述的轮形铸造产品缺陷自动检测方法，其特征在于，所述步骤S3，具体包含以下子步骤：

S3-1.分别将各类样本分割成的M×M小图像，其中包含缺陷的小图像样本作为负样本，不包含缺陷的小图像样本作为正样本；

S3-2：在训练卷积神经网络模型的过程中，为增加轮毂检测器的鲁棒性，对步骤S3-1所得的样本进行随机地微小的尺度变换、对比度变换和旋转变换；

S3-3：每次调用小批样本时，小批数量选64个样本，随机对样本进行水平翻转，添加高斯随机噪声，并且从变换后的小样本图像中随机选取出N×N的区域作为卷积神经网络的训练样本。

4.根据权利要求3所述的轮形铸造产品缺陷自动检测方法，其特征在于，步骤S3-1中，所述M取80、100、120中的一种。

5.根据权利要求3所述的轮形铸造产品缺陷自动检测方法，其特征在于，步骤S3-1中，所述的正样本、负样本的比例控制为1：2。

6.根据权利要求1所述的轮形铸造产品缺陷自动检测方法，其特征在于，所述步骤S4，具体包含以下子步骤：

S4-1.根据轮毂的轮辋样本、轮辐样本和轮轴样本，分别采用BP算法训练轮辋缺陷检测神经网络模型、轮辐缺陷检测神经网络模型以及轮轴缺陷检测神经网络模型，每次迭代采用最小批的方式计算网络误差和更新权重；

S4-2.训练时，学习速率设定为0.01；

S4-3.每次迭代输入小批样本，输入样本数量为64个；

S4-4.网络模型包括第一阶段是低层特征的提取，第二阶段通过反向传播算法的训练，对低层特征进行线性组合形成高层特征；

S4-5.轮毂缺陷区域检测；

S4-6.当在测试集上正确率达到所要求的准确率时终止网络训练，最终获得轮毂缺陷检测器。