[发明专利]基于图像重构卷积神经网络的零件外观瑕疵检测方法

说明书

本发明涉及一种基于图像重构卷积神经网络的零件外观瑕疵检测方法，该方法通过构建好的网络模型，对输入图像进行瑕疵检测。在网络模型训练过程中，对原始输入图像进行预处理后初步提取瑕疵区域，根据所提取出的瑕疵特点进行自适应多尺度图像重构及随轮廓局部图像重构，创建输入图像重构集合，最后利用重构图像集合进行卷积神经网络的训练。在检测过程中，对输入图像做与训练过程中相同的预处理，然后将处理后的图像按其尺寸等分成若干个设定边长的正方形的图像块，并将每个图像块按位置标记编号，将每一个图像块输入到已经训练完成的卷积神经网络模型中进行特征提取及分类。最后，输出检测结果并定位。本发明提高了提高零件外观瑕疵检测的准确性和鲁棒性。

技术领域

本发明属于图像处理技术领域的，具体涉及一种基于图像重构卷积神经网络的零件外观瑕疵检测方法。

背景技术

精密零件，特别是精密金属零件，在生产和存储运输过程中，不可避免地会造成零件外观损伤，形成瑕疵。而精密零件的外观质量直接影响着最终产品的稳定性和使用寿命。因此，在投入使用之前，对这些零件外观瑕疵进行全面的检查筛选是必不可少的。

作为图像处理的热点问题及自动化生产质量保障的关键技术，外观瑕疵检测方法的研究早在20世纪80年代就已开始，并吸引了国内外诸多学者进行了大量的研究。随着计算机与相机等硬件设备的迅速发展，基于视觉的外观检测技术更是受到了极大的推动。基于视觉的外观瑕疵检测技术中，依靠人工提取特征，再根据这些特征进行分类的方式，我们称之为传统的瑕疵检测方法。一般情况下，传统的瑕疵检测方法需要针对不同的外观瑕疵进行不同的特征提取操作，设置不同的检测阈值。这就使得检测算法的通用性较差。而通过人工进行特征选择使得算法效果很大程度上依赖人的经验，并且带有较强的主观性，当经验较少或认识不够全面时，容易导致检测算法仅对少部分样本有效，而对全部样本偏差较大。

近年来，随着深度学习在语义识别、图像理解中取得的显著效果，利用神经网络自动训练特征表达的目标检测方法得到了越来越快的发展。深度学习模型是一种基于数据的端对端的数据描述模型。它具有非常强大的特征描述能力和建模能力。通过有监督或无监督的训练方式，自动地逐层优化参数，学习目标特征，实现对目标层次化的抽象和描述。鉴于卷积神经网络在图像识别领域的优秀表现，学者们开始将其应用于目标检测领域。这些分类技术在很多应用领域中都取得了较好的效果，但是针对零件外观瑕疵具有种类多样、对比度高低不等不易识别、精度要求高、受外界环境影响大等特点，依然给外观瑕疵检测及分类技术带来很大挑战。目前常用的方法都很难达到较好的效果。

发明内容

为了解决现有技术中的上述问题，即为了提高零件外观瑕疵检测的准确性和鲁棒性，本发明提供了一种基于图像重构卷积神经网络的零件外观瑕疵检测方法，该方法包括：

1、一种基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，包括以下步骤：

步骤S1，对采集的零件外观图像进行增进可读性的预处理，得到第一零件外观图像；

步骤S2，将第一零件外观图像进行等分，并对等分后的图像块进行位置编号；

步骤S3，将每一个图像块输入到训练好的零件外观瑕疵检测模型中进行特征提取及分类，并输出检测及定位结果；

其中，

所述零件外观瑕疵检测模型基于卷积神经网络构建，并采用公有识别库进行预训练、采用预先构建的重构图像集合进行调优训练。

在一些优选实施例中，所述重构图像集合，其创建步骤为：

步骤A1，对训练样本中原始输入图像进行增进可读性的预处理，对零件瑕疵区域进行阈值分割，并初步提取瑕疵区域；

步骤A2，根据步骤A1所提取的瑕疵区域计算自适应尺度参数并进行自适应多尺度图像重构及随轮廓局部图像重构，创建输入图像的重构图像集合。