1.一种金属化陶瓷环表面缺陷检测方法,其特征在于,所述检测方法先设计其他缺陷检测分支和针孔缺陷检测分支;然后在其他缺陷检测分支中,设计缺陷定位模块和缺陷分类模块两个模块,分别处理定位问题和分类问题,其中在缺陷分类模块中,模块的输入预先经过双线性插值超分辨率处理;在针孔缺陷检测分支中,先分别使用深度学习方法和连通分量分析方法分别进行针孔缺陷检测,然后对检测结果进行融合;
其中,缺陷定位模块利用改进的DETR目标检测网络对缺陷所在区域进行定位,所述改进的DETR目标检测网络以轻量化的EfficientNet-B2为基础,使用3-D权重注意力模块SimAM,并采用Smooth L1函数和DIoU函数的线性组合。
2.根据权利要求1所述的金属化陶瓷环表面缺陷检测方法,其特征在于,所述检测方法,具体包括以下步骤:步骤S1,根据金属化陶瓷环的针孔缺陷面积、外观,将表面缺陷分为针孔缺陷和针孔以外缺陷,设计其他缺陷检测分支和针孔缺陷检测分支;在其他缺陷检测分支中设计基于DETR目标检测网络的缺陷定位模块和基于ViT图像分类网络的缺陷分类模块;在针孔缺陷检测分支中,使用DETR目标检测网络和连通分量分析方法检测针孔;
步骤S2,对DETR目标检测网络进行改进,以轻量化的EfficientNet-B2为基础,使用3-D权重注意力模块SimAM;并采用Smooth L1函数和DIoU函数的线性组合;
步骤S3,构建其他缺陷检测分支,缺陷定位模块利用DETR目标检测网络实现缺陷所在区域的定位;缺陷分类模块通过ViT图像分类网络判别缺陷定位模块定位到的区域内缺陷的具体类型;
步骤S4,构建针孔缺陷检测分支,首先用掩膜图像获取不存在其他缺陷的金属层图像,然后使用基于连通分量分析的针孔缺陷检测模块和基于深度学习的针孔缺陷检测模块进行针孔缺陷检测,融合两个针孔缺陷检测模块的检测结果。
3.根据权利要求2所述的金属化陶瓷环表面缺陷检测方法,其特征在于,所述步骤S2中,所述Smooth L1函数和DIoU函数的线性组合为:(1)
式中,,为超参数;为Smooth损失函数;为DIoU损失函数;为Smooth函数和DIoU函数的线性组合的边界框回归损失函数;为目标的真实边界框,包含中心点坐标(x,y)以及高度(h)和宽度(w)4个参量;为模型预测的边界框,包含中心点坐标(x1,y1)以及高度(h1)和宽度(w1)4个参量;为实数的集合;为分配索引函数。
4.根据权利要求2所述的金属化陶瓷环表面缺陷检测方法,其特征在于,所述步骤S3中的缺陷分类模块,首先,将缺陷定位模块得到的区域提取为子图像;接着,采用双线性插值将子图像放大K倍;最后,采用基于Transformer架构的ViT图像分类网络进行针孔以外缺陷类别的分类。
5.根据权利要求2所述的金属化陶瓷环表面缺陷检测方法,其特征在于,所述步骤S4中,具体包括以下步骤:S4-1,掩膜图像的构造:
首先,对缺陷图像进行预处理,采用CLAHE的方法增强金属层与陶瓷层的对比度,并消除图像中的噪声;然后,使用大津法进行图像的阈值分割,并抑制噪声和干扰的影响,得到完整的金属层区域;最后,利用缺陷定位模块的结果,抑制金属层上其他缺陷所在区域的信息,得到掩膜图像;
S4-2,两个针孔缺陷检测模块:
首先使用大津法实现检测图像的二值化,并对二值化结果取反;然后,通过连通分量分析去除面积大于设定阈值的连通域,剩下面积的连通域即为针孔缺陷所在区域;最后,对检测图像进行形态学膨胀运算扩大针孔缺陷所在区域连通域的面积,覆盖针孔缺陷;
S4-3,针孔缺陷检测结果的融合:
将基于连通分量分析的针孔缺陷检测模块和基于深度学习的针孔缺陷检测模块的检测结果融合以获得最终针孔缺陷检测结果,若由不同模块得到的边界框存在重叠区域,则将重叠的边界框合并,视为对同一针孔的响应。
6.根据权利要求2所述的金属化陶瓷环表面缺陷检测方法,其特征在于,所述基于深度学习的针孔缺陷检测模块检测缺陷时,先通过样本类别平衡和数据扩充训练数据集;再对缺陷定位模块、缺陷分类模块和针孔缺陷检测模块进行训练。