[发明专利]一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法

说明书

本发明是一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法。本发明涉及缺陷检测技术领域，本发明公开了一种基于YOLOV7算法的发动机缸体缸盖加工面小目标缺陷多尺度检测方法。该方法是在高分辨率的工业相机拍摄前提下，以及YOLOV7基础上进行数据集的多尺度构建。在训练时采用小图进行训练，在预测时采用滑动窗口预测。最终以在增加部分耗时的情况下实现缸体缸盖加工面缺陷精准检测需求。最终检测准确率达到95％以上。

技术领域

本发明涉及缺陷检测技术领域，是一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法。

背景技术

在计算机视觉及目标检测中相对于传统算法在复杂背景变化中难以维持检测精度和稳定性的问题，深度学习技术可以通过大量非线性组合达到很好的特征提取能力及检测精度。基于深度学习的算法模型智能性和自适应程度更高，可以在不同的背景中都具有很好的检测精度。卷积神经网络(convolutional neural network，CNN)在深度学习中发展最为迅速，在图像处理任务中的应用最为广泛。深度学习技术已经广泛应用于目标检测任务，其中主要有2种方法：一种是基于Region Proposal的目标检测，最具代表性的就是R-CNN系列，包括R-CNN、Fast R-CNN、Faster R-CNN；另一种方法是端到端的方法，如YOLO(youonly look once)、SSD(single shot multibox detector)等，端到端的方式具有更快的图像处理速度。

发明内容

本发明为克服现有技术的不足，本发明公开了一种基于YOLOV7算法的发动机缸体缸盖加工面小目标缺陷多尺度检测方法。该方法是在高分辨率的工业相机拍摄前提下，以及YOLOV7基础上进行数据集的多尺度构建。在训练时采用小图进行训练，在预测时采用滑动窗口预测。最终以在增加部分耗时的情况下实现缸体缸盖加工面缺陷精准检测需求。本发明提供一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

本发明提供了一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，本发明提供了以下技术方案：

一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法，所述方法包括以下步骤：

步骤1：使用2000万像素工业相机与平面光源，调整曝光使拍摄到的缺陷像素阈值与加工面表面区分明显，并拍摄并采集若干发动机缸体缸盖图像作为训练数据。

步骤2：对发动机缸体缸盖图像数据集进行矩形框标注，得到标注数据；

步骤3：遍历标注数据和图片，并进行随机扩展到长宽为640-1920像素，以扩展后的坐标作为裁剪坐标对原图进行裁剪，得到裁剪后图片和与之相对应的标注数据；

步骤4：重复步骤2至步骤3，得到大量的剪后图片和与之相对应的标注数据；

步骤5：对标注数据进行转换，得到转换后的数据；

步骤6：基于转换后的数据采用随机洗牌的方式进行划分训练集和验证集，放入yolov7网络中进行训练，训练收敛后得到训练后的权重文件，取在验证集上表现最好的权重文件作为训练结果；

步骤7：根据拍摄位置和对应相机号构建ROI.json文件，内容为感兴趣区域的矩形坐标。

步骤8：根据ROI文件对图片名称判断并根据ROI坐标对输入图像进行剪裁并记录剪裁的xmin,ymin坐标。