[发明专利]一种基于深度学习的涂胶检测系统和方法

说明书

本发明公开一种基于深度学习的涂胶检测系统和方法，包括以下步骤:构建初始的深度残差网络模型：所述深度残差网络模型为五层结构，包括输入层，卷积层，残差层，全连接层以及联合损失函数层；将训练样本输入到深度残差网络模型中进行训练，从而得到涂胶检测模型；获取原始涂胶图像，并进行预处理得到待检测的涂胶图像；将待检测的涂胶图像输入涂胶检测模型，获取涂胶图像检测的得分，根据得分判断待检测的涂胶图像是否合格。本发明通过构建深度残差网络模型对涂胶车间中车窗的涂胶进行自动检测，能快速准确地判断涂胶的质量，并实时上传检测结果，方便进行及时的处理，提高了涂胶车间的自动化程度和生产效率。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于深度学习的涂胶检测系统和方法。

背景技术

车窗玻璃作为整个车身的重要组成部分，车窗结构通常为曲面封闭式，在车身的车窗框与车窗玻璃之间，用密封胶连接。密封胶起密封和缓冲作用，以防止因车身受力使窗框变形时不致损坏车窗玻璃。

现代工业中，作为汽车生产重要组成部分的涂胶环节，由于其工作环境恶劣、工作强度大以及运动准确性和平稳性要求高的特点，正逐步完成从手工涂胶到机器人涂胶的转变，涂胶自动化已渐渐成为一种趋势。

汽车车窗玻璃涂胶是指机器人携带胶枪在玻璃的边缘位置涂上一圈完整的密封胶。在机器人涂胶过程中，由于机器人涂胶轨迹误差、玻璃定位误差、玻璃尺寸变形及夹具装夹误差等因素的影响，可能会出现断胶现象，影响车窗玻璃下一步的装配，需要进行补胶处理。

汽车车窗涂胶质量的传统检测方法包括人工检测和图像处理检测算法。人工监测是在涂胶过程中，由质检工作人员凭借目测判断是否出现断胶情况，具有不确定性，无法达到现代化生产中质量统一的标准，并且效率低下，也制约了生产线自动化水平的提高。传统图像处理检测算法主要基于涂胶的形状和颜色特征建立模板，利用模板对待检测涂胶进行匹配检测，对光照要求比较高，受外界因素影响较大，不能保证检测效率并且对不同玻璃形状的涂胶检测效果很差。

随着国内工业生产自动化的不断推广和汽车行业竞争的日益加剧，传统的涂胶质量检测技术已无法满足企业的实际生产要求，因此需要开发一种高准确率的算法，来监测涂胶结果，以提高汽车企业的生产效率

发明内容

针对现有技术中车窗涂胶的断胶检测准确率低的问题，本发明提供一种基于深度学习的涂胶检测系统和方法，通过构建基于深度学习的深度残差网络模型模型，用于识别和分析涂胶图像的数据，并提取涂胶的特征数据以输出检测得分，以判断涂胶图像是否出现断胶。

为了实现上述目的，本发明提供以下技术方案：

一种基于深度学习的涂胶检测方法，具体包括以下步骤:

S1:构建初始的深度残差网络模型：

所述深度残差网络模型为五层结构，包括输入层，卷积层，残差层，全连接层以及联合损失函数层；

S2：将训练样本输入到深度残差网络模型中进行训练，从而得到涂胶检测模型；

S3：获取原始涂胶图像，并进行预处理得到待检测的涂胶图像；

S4：将待检测的涂胶图像输入涂胶检测模型，获取涂胶图像检测的得分，根据得分判断待检测的涂胶图像的状态。

优选的，所述S1中，所述残差层括4个残差子层，其中，

第一残差子层包括三组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为64个，步长为1的卷积层；第二残差子层包括四组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为128个，步长为1的卷积层；第三残差子层包括六组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为256个，步长为1的卷积层；第时四残差子层包括三组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为512个，步长为1的卷积层。