[发明专利]一种基于深度学习的橡胶密封圈缺陷检测方法

权利要求书

1.一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，包括以下步骤：

S1、采集开模后的橡胶密封圈图像数据并进行标注及缺陷类别定义处理，形成训练图像数据库、验证图像数据库和测试图像数据库；

S2、建立基于深度学习模型的模型框架，利用模型框架对训练图像数据库进行训练；

S3、利用验证图像数据库和测试图像数据库对训练之后的训练图像数据库进行验证和测试，若验证结果或测试结果达不到设定值，返回步骤S2重新进行训练过程；若验证结果或测试结果达到设定值，得到预测模型；

S4、将预测模型的输出结果进行现场测试并反馈给橡胶密封圈的剔除机构；若预测模型的输出结果准确率低于阈值，重新返回步骤S1进行预测模型的获取，若预测模型的输出结果准确率达到阈值，将预测模型进行投入使用。

2.根据权利要求1所述的一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，所述步骤S1的具体实施方式为：利用工业相机采集开模后的橡胶密封圈的图像数据，利用labelImg软件对采集到的橡胶密封圈图像数据进行标注和缺陷类别定义处理获得xml文件，对标注和缺陷类别定义处理之后的图像数据xml文件进行分类，形成训练图像数据库、验证图像数据库和测试图像数据库，并生成与训练图像数据库、验证图像数据库和测试图像数据库三者所对应数据库中包含图像文件名的文本train.txt、val.txt及test.txt。

3.根据权利要求2所述的一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，所述训练图像数据库、验证图像数据库和测试图像数据库中的图像个数比例为7：2：1或6:2:2。

4.根据权利要求1所述的一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，所述步骤S2中的深度学习模型包括主分支网络、预测分支网络和修正分支网络；所述深度学习模型采用RepPointsV2模型，所述主分支网络为anchor-free目标预测模型。

5.根据权利要求4所述的一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，所述主分支网络包括特征提取部分和定位部分，所述预测分支网络和修正分支网络嵌入在特征提取部分和定位部分之间。

6.根据权利要求4所述的一种基于深度学习的橡胶密封圈缺陷检测方法，其特征在于，所述深度学习模型的损失函数为L＝L_RepPoints+λ₁L_corner+λ₂L_foreground，其中，L_RepPoints表示主分支网络的损失函数，L_corner表示修正分支的损失函数，L_foreground表示预测分支的损失函数；λ₁和λ₂表示设置的损失函数系数。