[发明专利]基于多尺度检测的重型部件涂装表面缺陷检测方法

说明书

本发明公开了一种基于多尺度检测的重型部件涂装表面缺陷检测方法，具体按照以下步骤实施：步骤1、将数据集进行划分，划分为训练集和测试集。对训练集图像进行预处理；步骤2、构建一个端到端的网络结构，即基于可变形卷积和注意力卷积神经网络的多尺度模型，包括主干网络、特征增强网络、检测头和特征解码模块组成；步骤3、利用步骤1中预处理后的图像对步骤2构建的网络进行训练；步骤4、将测试集中的数据输入到训练好的基于可变形卷积和注意力卷积神经网络的多尺度模型中，最终输出检测结果。解决了现有技术中存在检测精度低和微小型缺陷存在漏检的问题。

技术领域

本发明涉及图像处理应用中缺陷检测技术领域，特别是涉及一种基于多尺度检测的重型部件涂装表面缺陷检测方法。

背景技术

挖掘机作为是一种重型工程机械，不但应用于各大建筑工程中，也适用于紧迫的道路疏通和灾害救援中，如清理障碍物，疏通道路，使救援物资及时送到灾区。它的动臂和斗杆是由钢材制作而成的，长时间暴露在空气中容易发生腐蚀和氧化。喷漆之后，部件上形成一层保护膜，能够有效阻止空气氧化和腐蚀。但是由于加工、设计、环境和人为操作等因素，在喷漆过程中，会产生涂装表面的缺陷，如漆面的颗粒、流挂、橘皮等缺陷。这些缺陷的存在是涂装行业普遍存在的难题，其直接影响产品外观、质量、生产成本和产品合格率。目前国内大部分重型机械厂主要是依靠人工检测完成。在涂漆表面缺陷检测中人类视觉和触觉发挥重要作用，但是人为控制质量也有缺点。一方面，一个挖掘机的动臂或是斗杆部件的尺寸相比较部件尺寸较大，检查完需要花费很长时间，会导致高昂的人工成本。另一方面，对于精确度方面，工厂工人长期手持手电筒工作，这种单一的工作形式会改变一个人的判断能力，还会因为多种主观因素的影响(如情感、眼睛疲劳等)，会出现不可避免和质量控制不统一的人为错误。同时，在缺陷尺寸小于0.5mm且无较大光学形变时，人眼检测不到缺陷信息，不适用于大规模工业生产的要求，因此，自动化检查涂漆表面缺陷必不可少。

随着计算机视觉技术的发展，CV也将被广泛应用在产品缺陷检测中。因此，如何借助机器或是计算机等手段代替人工检测成为行业发展趋势。传统机械检测方法有涡流检测法、磁粉检测法、渗透检测法等，这些检测方法有些只是针对特征的检测材料，或是受限于检测人员的专业素质，并且有些检测方法会对检查员的身体受到伤害。基于机器视觉的检测方法因为缺陷的特征需要手工设计的算法得到，很难应对一些复杂的情况，如光照变化引起的图片分辨的变化，缺陷特征的几何变形等。基于深度学习的检测方法能够自动地从数据集中学习到缺陷地特征，不需要先验知识，有很强的特征学习能力。而现有基于深度学习的缺陷检测方法，虽然解决了对人工设计特征的依赖问题，但由于缺乏大量公开标注精确的数据集样本和网络设计，缺陷识别正确率低，仍然存在漏检，特别是小型缺陷。

发明内容

本发明的目的是提供一种基于多尺度检测的重型部件涂装表面缺陷检测方法，解决了现有检测方式存在的检测准确率低的问题。

本发明采用的技术方案为，基于多尺度检测的重型部件涂装表面缺陷检测方法，具体包括如下步骤：

步骤1，将图像数据集划分为训练集和测试集，并对训练集图像进行预处理；

步骤2，构建基于可变形卷积和注意力卷积神经网络的多尺度模型；

步骤3，利用步骤1中预处理后的图像对步骤2构建的模型进行训练；

步骤4，将步骤1测试集中的数据输入到步骤3训练好的模型中，最终输出检测结果。

本发明的特点还在于：

步骤1中，对训练集图像进行预处理的过程为：进行图像增强处理。

步骤2的具体过程为：

步骤2.1，构建主干网络，主干网络包括基础卷积层CBM、CSPN模块、CSP_DCN模块；

步骤2.2，基于步骤2.1构建的主干网络构建特征增强网络，得到特征向量；