[发明专利]一种基于深度学习的焊点图像检测方法

说明书

本发明涉及一种基于深度学习的焊点图像检测方法，包括以下步骤：步骤1，对焊点图像划分有效子区域；步骤2，对子区域图像进行预处理，得到对应子区域图像的二值图；步骤3，对每个子区域图像对应的二值图进行第一步识别，获得疑似焊点区域，步骤4，利用深度学习网络对疑似焊点区域进行识别若步骤4没有疑似焊点区域则结合二值图和原图进行滑窗识别，步骤5，识别结果判断，若经过以上4步能识别到焊点则待识别区域有焊点，若以上步骤均不能识别到焊点则待识别区域没有焊点。本发明的处理方法既在一定程度上减小了滑窗的计算量，又通过双重验证提高了检测的精度，本发明方法比传统单一检测的方法有更优地鲁棒性。

技术领域

本发明属于图像检测领域，特别是涉及一种基于深度学习的焊点图像检测方法。

背景技术

在冲压件人工焊接的生产线上，由于焊接工艺的不成熟，往往会导致虚焊、漏焊、过焊等现象，对于比较复杂的工件，尤其有多个面，每个面上都有几个焊点的情况，漏焊的概率更大，目前的检测方式基本都是采用人工检测，这样大大增加了工人的工作量，而使得工作效率低下。传统的图像检测方法对多角度焊点图像都需要通过相机标定对每个角度的图像进行矫正，然后通过图像定位和模板匹配的方法来检测，且抗干扰能力比较差，容易出现漏检或错检的情况；或通过滑窗、特征提取及分类器识别相结合的方法来进行识别，该方法计算量大，识别的精度完全依赖提取的特征是否合适、分类器参数是否调好。

发明内容

本发明针对现有技术的不足，提供一种基于深度学习的钢板焊点检测方法。

为了达到上述目的，本发明提供的技术方案是一种基于深度学习的钢板焊点检测方法，包括以下步骤：

步骤1，对焊点图像划分有效子区域；

步骤2，对子区域图像进行预处理，得到对应子区域图像的二值图；

步骤3，对每个子区域图像结合对应的二值图进行第一步识别，包括以下子步骤，

步骤3.1，对二值图进行边界去噪椭圆检测，实现方式如下，

首先，提取二值图像的外轮廓，按逆时针方向对提取的外轮廓做多边形拟合，将每条拟合的线段矢量化，得到向量分别通过计算两向量与基准向量(1,0)之间的夹角α_i-1和α_i，得到两相邻矢量的夹角θ＝α_i-α_i-1，若夹角θ在一定范围之内，则保留，得到一条有效曲线段；

其次，对每条曲线段进行最小二乘椭圆拟合，得到一个椭圆方程，根据曲线段上所有点到对应的椭圆方程的平均距离作为误差判断依据，若误差小于设置参数ε₁，则该曲线段为有效弧线；

最后，将误差最小的前三位中曲线最长的一段有效弧作为基准弧线，依次加入其它有效弧线，直到加入所有有效弧线，最终通过最小二乘椭圆拟合得到一个最佳椭圆方程；

步骤3.2，计算最佳椭圆方程的长轴a、短轴b，若满足γ₁<a<γ₂、γ₃<b<γ₄、进入步骤3.3的处理；

步骤3.3，提取二值图像的内轮廓，以步骤3.2中得到的最佳椭圆为外边界、二值图像的内轮廓为内边界构建椭圆环，将外边界按一定比例扩大得到一外围，设外围与外边界之间的区域对应原图的像素均值为V₁，椭圆环区域对应原图的像素均值为V₂，内边界包围区域对应原图的像素均值为V₃，令Δ₁＝V₁-V₂，Δ₂＝V₃-V₂，若Δ₁和Δ₂均大于某一阈值φ，则标记最佳椭圆的外接矩形区域为疑似焊点区域；