[发明专利]一种基于深度学习的镜片缺陷检测方法

说明书

本发明公开了一种基于深度学习的镜片缺陷检测方法，首先采集训练样本离线图库，并在上位机中利用caffe模型和ARM‑NN SDK工具包，生成与图库中图像特征相对应的网络结构，利用网络结构生成不同的protobuf动态链接库，在实际检测时，下位机直接不同调用protobuf动态链接库，对采集的图像进行实施分析，判断镜片是否存在缺陷特征；实现对待测镜片图像的自动化检测；通过对图像特征进行不同的分类，降低了误检率，并且实现了对整幅待测镜片图像的检测，同时，由下位机分析处理，相比于图像传输到上位机分析的方法，节省设备和布线带来的成本。

技术领域

本发明涉及视觉检测领域，具体涉及一种基于深度学习的镜片缺陷检测方法。

背景技术

镜片在现实生活和工业领域应用广泛，对镜片的缺陷进行智能化检测具有十分广阔的应用前景。

以工业生产中激光焊保护镜片检测为例，激光焊接与传统焊接技术相比，在焊接精度、效率、可靠性、自动化各方面都具有无可比拟的优越性。随着现代汽车制造需求量的提升，对激光焊接的依赖程度也越来越高。当焊接作业持续一定时间时，保护焊机的透明镜片容易因高温焊渣飞溅导致炸裂，从而影响焊接质量，甚至损坏焊机或机器人，因此，对激光焊保护镜片的有效检测至关重要。

现阶段对于镜面检测的方案有两种，一则是生产线下游的工人来进行人工检测，通过人工检查激光焊接头保护镜片的方法来预防因保护镜片缺陷而产生的焊接事故。但工人发现焊接问题具有一定的滞后性，生产线上工人往往在白车身经过激光焊接后对其进行整体检查，一旦中途镜面出现损坏，将可能导致大量坏焊白车身重新进行补焊，降低汽车生产效率，提高了制造成本。第二种现有方案，则是通过传统镜面缺陷检测传感器，将镜面的图像通过相机采集激光焊保护镜片实时状况的图像，通过图像判断镜片是否存在缺陷，这种方法自动化程度高、实时性强受到广泛欢迎，该保护镜片图像的处理方法为：首先提取整幅图像中保护镜片图像的圆形视场，判断坏点面积是否大于等于用户自定义坏点像素数，如果坏点面积小于用户自定义坏点像素数，则提示保护镜片正常；若坏点面积大于等于用户自定义坏点像素数，则标记坏点轮廓，提示保护镜片异常。

上述方法只简单识别像素灰度和数量，无法分析出是不是真正的坏点；在实际焊接现场，保护镜片可能出现的问题情况比较复杂，不仅有出现坏点的情况，还可能出现阴影、模糊、偏移等情况；

如焊接生产线的光线变化较大，容易因为反射和振动加重保护镜片的边缘阴影，采用现有图像检测方法会导致检测传感器出现误检的情况，当阴影加重时，视场中的深色像素会因为聚集到一定程度，被系统误认为是坏点，造成错误的告警；同时，现有方法截取圆形视场区域，对于超出圆形视场的区域不做检测，缩小了测量范围，造成有效数据浪费。

发明内容

为了解决上述技术问题，本发明提供一种基于深度学习的镜片缺陷检测方法，本方法通过深度学习训练网络模型，实现了对激光焊保护镜片图像的整体检测，并且能够有效识别阴影情况，判断图像的质量，降低了误检率。

技术方案如下：

一种基于深度学习的镜片缺陷检测方法，包括以下步骤：

步骤1)将不少于1000张的待测镜片图像存储为离线图库，并将所述离线图库输入到lmdb数据库中，根据caffe模型，按图像特征对每一张待测镜片图像进行分类并添加对应的特征标签，建立待测镜片图像与特征标签之间的对应关系；所述特征标签种类的个数记为n；

将所有具有相同特征标签的待测镜片图像复制在同一个子分类图库中；

步骤2)对每个所述子分类图库中的所有待测镜片图像，依次进行均值化操作，每个子分类图库对应生成一个图像均值二进制文件；