[发明专利]基于卷积神经网络的零件识别与检测方法、系统及设备

说明书

本发明涉及一种基于卷积神经网络的零件识别与检测方法、系统及设备，包括如下步骤：对各类待检测零件制作标准模板，生成检测模型；识别待检测零件的标准模板；扫描待检测零件正面图像，通过检测模型对待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；扫描待检测零件背面图像，识别标签信息并检测；输出检测结果，本发明通过图像识别将待检测零件的标签、沉头孔以及黑色遮盖孔的数量、种类及位置与标准模板进行对比，判断零件上的沉头孔、黑色遮盖孔以及标签是否符合要求，检测速度快，为飞机零件上的大量小尺寸沉头孔提供了快速数字化的检测手段，精度稳定可靠，大幅提高了检测的效率，有效的减少了检测人员的工作量。

技术领域

本发明涉及零件视觉检测技术领域，尤其涉及一种基于卷积神经网络的零件识别与检测方法、系统及设备。

背景技术

现有的大型民用飞机通常由数以万计的零配件组装而成，为了保证大型民用飞机的飞行安全，对零配件的各种参数的要求非常高。沉头孔和黑色遮盖孔是飞机制造工程中最常见的结构特征之一，大量存在于框、肋、壁板、蒙皮等各类飞机零配件上，沉头孔和黑色遮盖孔的加工质量是影响飞机寿命和飞行安全的重要因素，当其存在几何偏差等质量缺陷时，强迫装配产生的装配应力会对飞机安全构成极大隐患。由于飞机零配件尺寸较大、外形比较复杂，且零配件上的沉头孔数量较多，导致飞机零件上沉头孔和黑色遮盖孔位检测成为技术难点，用传统的测量方法检测比较麻烦，需要耗费大量的时间和人力，造成工作效率降低。

发明内容

本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于卷积神经网络的零件识别与检测方法、系统及设备。

本发明是通过以下技术方案予以实现：

一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括如下步骤：a.对各类待检测零件制作标准模板，生成检测模型；b.识别待检测零件的标准模板；c.将所述待检测零件摆放于工作台原点位置；d.扫描待检测零件正面图像，与所述标准模板对比，通过所述检测模型对所述待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；e.扫描待检测零件背面图像，与所述标准模板对比，识别标签信息并检测；f.输出检测结果。

根据上述技术方案，优选地，步骤a包括：将模板零件放置于工作台上并与原点对齐，扫描模板零件正面图像；对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记；对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存；使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；扫描模板零件背面图像；对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。

根据上述技术方案，优选地，所述沉头孔信息包括沉头孔大小以及沉头孔位置，所述黑色遮盖孔信息包括黑色遮盖孔半径以及黑色遮盖孔位置。

根据上述技术方案，优选地，步骤b包括：通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。

根据上述技术方案，优选地，步骤d还包括：将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。

本发明还公开了一种基于卷积神经网络的零件识别与检测系统，包括：训练单元，用于对各类待检测零件制作标准模板，生成检测模型；获取单元，用于识别待检测零件的标准模板；正面零件检测单元，用于将待检测零件摆放于工作台原点位置，扫描待检测零件正面图像，与标准模板对比，通过检测模型对待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；背面零件检测单元，用于扫描待检测零件背面图像，与标准模板对比，识别标签信息并检测；输出单元，用于输出检测结果。