[发明专利]一种面向工业场景的产品表面缺陷自动识别方法

说明书

本发明公开了一种面向工业场景的产品表面缺陷自动识别方法，涉及软件与信息技术领域，本发明为一种面向工业场景的产品表面缺陷自动识别方法。改造深度学习网络结构：基于yolov5深度学习框架，改造网络结构，训练算法模型：基于大量的缺陷样本图像数据和标签数据，进行深度学习模型训练，输出产品表面缺陷检测模型，集成工业相机：将多条生产线上接入多路工业相机，多路工业相机对产品进行拍照。本发明通过改进yolov5网络结构，提高模型的性能和效果，并利用产品表面缺陷检测模型精度测量缺陷区域的大小、位置、方位等信息，提高检测精度，另外单台机器支撑多路工业相机，提高单机的使用效率的同时，可支撑多条生产线上识别工作，满足现代使用需求。

技术领域

本发明涉及软件与信息技术领域，特别涉及一种面向工业场景的产品表面缺陷自动识别方法。

背景技术

业界有基于图像灰度及形态学的缺陷检测方法，也有基于图像深度学习的缺陷识别方法。而以上基于图像灰度及形态学的缺陷检测方法和基于图像深度学习的缺陷识别方法在识别时往往会存在以下问题：1.基于图像灰度及形态学的缺陷检测方法缺点在于只能捕捉到一些具有明显规则的特征，而无法检测到不规则缺陷，不能发现微小瑕疵，无法产品质量的稳定性和提高企业竞争力，使得该基于图像灰度及形态学的缺陷检测方法精确性不高；2.基于图像深度学习的缺陷识别方法难以应对缺陷种类繁多且快速检测要求的场景，不能支撑工业场景的多条生产线上的产品缺陷测量、定位和识别工作，不满足现代使用需求。本专利提出的方法去除了以上的局限，拓宽了适用场景。

发明内容

本发明的主要目的在于提供一种面向工业场景的产品表面缺陷自动识别方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种面向工业场景的产品表面缺陷自动识别方法，包括以下步骤：

步骤一、改造深度学习网络结构：基于yolov5深度学习框架，改造网络结构；

步骤二、训练算法模型：基于大量的缺陷样本图像数据和标签数据，对改造后的yolov5进行深度学习模型训练，输出产品表面缺陷检测模型；

步骤三、集成工业相机：将多条生产线上接入多路工业相机，并利用多路工业相机对产品进行拍照，采集图像数据；

步骤四、检测产品缺陷：基于步骤二中得到的产品表面缺陷检测模型，检测到产品缺陷，并精确测量缺陷的大小、位置和方位等信息，同时识别缺陷种类；

步骤五、存储和管理产品缺陷信息：对缺陷信息和缺陷图像进行存储，支撑用户后续查询；

步骤六、消息通信：识别到产品缺陷之后，需要将相关信息发送给上位机。

优选的，所述步骤一中yolov5网络结构包括网络深度和卷积核数量。

优选的，所述步骤三中多路工业相机共同接入单台机器，且单台机器采集、分析和识别多路相机视觉图像。

优选的，所述步骤五中缺陷信息存储在SQLite数据库，缺陷图像保存为jpg文件，并用线框框出缺陷。

优选的，所述步骤六中上位机上电性连接有机械臂，且上位机控制机械臂对缺陷产品进行分拣。

优选的，所述步骤五中缺陷信息包括产品缺陷大小、产品缺陷位置、产品缺陷方位和产品缺陷类型。

优选的，所述SQLite数据库和jpg文件均位于用户管理查询平台内部。

与现有技术相比，本发明具有如下有益效果：

1、本发明中，通过yolov5深度学习框架，并改造网络结构，提升深度学习模型的效率和准确性，在应用模型进行缺陷检测的过程中，精度测量缺陷区域的大小、位置、方位等信息，并识别缺陷的类别信息，并将这些信息作为基础数据，支撑上层业务应用，避免只能捕捉到一些具有明显规则的特征，能发现微小瑕疵，保证产品质量的稳定性和提高企业竞争力，提高该识别方法的精确性。