欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024118776754
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种两阶段的刀具表面缺陷检测方法,其特征在于,包括:

获取多张刀具表面通道图像,对每张刀具表面通道图像进行灰度化操作,得到每张刀具表面灰度图像;对每张刀具表面灰度图像进行姿态矫正操作,得到刀具表面矫正灰度图像;按照预设尺寸,对每张刀具表面矫正灰度图像进行裁剪操作,得到每张刀具表面矫正灰度图像对应的多张子图像;按照裁剪顺序,依次对每张刀具表面矫正灰度图像对应的每张子图像进行标注,得到每张刀具表面矫正灰度图像对应的每张子图像的编号;

利用Radon变换,提取刀具表面矫正灰度图像对应的每张子图像的Radon域特征,用于标注刀具表面矫正灰度图像对应的每张子图像的Radon真实标签;基于各张刀具表面矫正灰度图像对应的每张子图像以及其Radon真实标签,构建Radon训练集;利用Radon训练集,训练残差网络,得到训练好的残差网络,用于输出刀具表面矫正灰度图像对应每张子图像的第一预测缺陷概率值;

利用边缘结构算子卷积,提取刀具表面矫正灰度图像对应的每张子图像的边缘结构特征,用于标注刀具表面矫正灰度图像对应的每张子图像的边缘真实标签;基于每张刀具表面矫正灰度图像对应的每张子图像以及其边缘真实标签,构建边缘结构特征数据集;利用边缘结构特征数据集,训练支持向量机,得到训练好的支持向量机,用于输出刀具表面矫正灰度图像对应每张子图像的第二预测缺陷概率值;

将每张刀具表面矫正灰度图像对应每张子图像的第一预测缺陷概率值和第二预测缺陷概率值进行加权平均,得到每张刀具表面矫正灰度图像对应每张子图像的融合缺陷概率值;

将融合缺陷概率值大于等于阈值的子图像,作为异常子图像;

将各个刀具表面矫正灰度图像对应的编号相同的子图像划分为一组,得到不同编号的子图像组;根据异常子图像的编号,在该异常子图像对应的子图像组中找到一个正常子图像,构成该异常子图像的缺陷对,依次得到所有异常子图像的缺陷对,并构成缺陷对数据集;利用缺陷对数据集,训练孪生变换检测网络,得到训练好的孪生变换检测网络,用于检测每张异常子图像中缺陷区域的特征信息和分割结果。

2.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,所述孪生变换检测网络包括:一个输入层、两个权重共享卷积层、一个变换层和一个输出层;其中,两个共享权重的子网络均包括:一个共享卷积层和一个特征向量输出层;

输入层,用于输入所有异常子图像的缺陷对,输出所有图像对的正常子图像和异常子图像;

第一权重共享卷积层,由两个卷积核大小为3、一个卷积核大小为8和一个卷积核大小为12的卷积堆叠构成,用于提取每个缺陷对的正常子图像的特征,输出每个缺陷对的正常子图像的特征向量;

第二权重共享卷积层,由两个卷积核大小为3、一个卷积核大小为8和一个卷积核大小为12的卷积堆叠构成,用于提取每个缺陷对的异常子图像的特征,输出每个缺陷对的异常子图像的特征向量;其中,将每个缺陷对的正常子图像输入第一共享卷积层的同时,将该图像对的异常子图像输入第二共享卷积层;

变换层,由3个卷积堆叠构成,用于对每个缺陷对的正常子图像的特征向量和该图像对的异常子图像的特征向量进行特征对齐,输出每个缺陷对对应的变换矩阵;

输出层,用于根据每个缺陷对对应的变换矩阵,输出每张异常子图像中缺陷区域的特征信息和分割结果。

3.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,对刀具表面通道图像进行灰度化操作,得到刀具表面灰度图像包括:通过CCD线阵相机,采集刀具表面通道图像;根据加权平均法,结合每个通道对应的权重,构建灰度化数学模型,其表达式:;

其中,表示刀具表面灰度图像中第个像素点的灰度值;表示刀具表面通道图像中红色通道对应的权重;表示刀具表面通道图像中第个像素点的红色通道的分量值;表示刀具表面通道图像中绿色通道对应的权重;表示刀具表面通道图像中第个像素点的绿色通道的分量值;表示刀具表面通道图像中蓝色通道对应的权重;表示刀具表面通道图像中第个像素点的蓝色通道的分量值;

根据灰度化数学模型,对刀具表面通道图像进行灰度化操作,得到刀具表面灰度图像。

4.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,对刀具表面灰度图像进行姿态矫正操作,得到刀具表面矫正灰度图像包括:经过刀具表面灰度图像中心点,确定垂直参考线;基于刀具表面灰度图像中心点与刀具顶角的连线,得到刀具的角平分线;将刀具的角平分线与参考线的夹角作为旋转角;

基于刀具表面灰度图像中每个像素点的坐标以及旋转角,构建姿态矫正数学模型,其表达式为:

;

其中,表示刀具表面灰度图像中第个像素点矫正后的水平方向坐标分量;表示刀具表面灰度图像中第个像素点矫正后的垂直方向坐标分量;表示刀具表面灰度图像中第个像素点的水平方向坐标分量;表示刀具表面灰度图像中第个像素点的垂直方向坐标分量;表示旋转角的角度;

根据姿态矫正数学模型,对刀具表面灰度图像进行姿态矫正操作,得到刀具表面灰度图像中各个像素点矫正后的水平方向坐标分量和垂直方向坐标分量;基于刀具表面灰度图像中各个像素点矫正后的水平方向坐标分量和垂直方向坐标分量,得到刀具表面矫正灰度图像。

5.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,所述利用边缘结构算子卷积,提取每张刀具表面矫正灰度图像对应的每张子图像的边缘结构特征包括:所述边缘结构算子卷积包括HOG算子卷积与LBP算子卷积;

利用HOG算子卷积,得到每张刀具表面矫正灰度图像对应的每张子图像的HOG算子特征矩阵;利用LBP算子卷积,得到每张刀具表面矫正灰度图像对应的每张子图像的 LBP算子特征矩阵;通过矩阵拼接,融合每张刀具表面矫正灰度图像对应的每张子图像的HOG算子特征矩阵和 LBP算子特征矩阵,得到每张刀具表面矫正灰度图像对应的每张子图像的边缘结构特征矩阵。

6.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,残差网络损失函数为交叉熵损失函数,其表达式为:;

其中,表示残差网络损失函数;表示所有刀具表面矫正灰度图像的数量;表示每张刀具表面矫正灰度图像对应的所有子图像的数量;表示第张刀具表面矫正灰度图像对应第张子图像的Radon真实标签,若则表示该子图像无缺陷,若则表示该子图像有缺陷;表示第张刀具表面矫正灰度图像对应第张子图像的第一预测缺陷概率值。

7.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,训练支持向量机的损失函数包括:训练标准支持向量机分类器阶段的铰链损失函数和训练逻辑回归阶段的交叉熵损失函数;

所述训练标准支持向量机分类器阶段的铰链损失函数的表达式为:

;

其中,表示训练标准支持向量机分类器阶段的铰链损失函数;表示第张刀具表面矫正灰度图像对应第张子图像的边缘真实标签,若则表示该子图像无缺陷,若则表示该子图像有缺陷;表示决策函数;表示第张刀具表面矫正灰度图像对应第张子图像;

所述训练逻辑回归阶段的交叉熵损失函数的表达式为:

;

其中,表示训练逻辑回归阶段的交叉熵损失函数;表示所有刀具表面矫正灰度图像的数量;表示每张刀具表面矫正灰度图像对应的所有子图像的数量;表示第张刀具表面矫正灰度图像对应第张子图像的边缘真实标签,若则表示该子图像无缺陷,若则表示该子图像有缺陷;表示第张刀具表面矫正灰度图像对应第张子图像的第二预测缺陷概率值。

8.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,孪生变换检测网络损失函数为对比损失函数,其表达式为:;

其中,表示孪生变换检测网络损失函数;表示所有图像对的数量;表示第个缺陷对中正常子图像的特征向量与异常子图像的特征向量之间的距离度量,;表示第个缺陷对中正常子图像的特征向量;表示第个缺陷对中异常子图像的特征向量;表示第个缺陷对的标签,若则表示该图像对为相似样本,若则该图像对为不相似样本;表示边界阈值。

9.根据权利要求1所述的一种两阶段的刀具表面缺陷检测方法,其特征在于,获取待检测的刀具表面通道图像,得到其对应的缺陷区域的特征信息和分割结果包括:获取待检测的刀具表面通道图像;对待检测的刀具表面通道图像依次进行灰度化、姿态矫正、裁剪操作和标注操作,得到待检测刀具表面矫正灰度图像对应的每张子图像及其编号;

将待检测刀具表面矫正灰度图像对应的每张子图像输入至训练好的残差网络中,输出待检测刀具表面矫正灰度图像对应的每张子图像的第一预测缺陷概率值;

将待检测刀具表面矫正灰度图像对应的每张子图像输入至训练好的支持向量机中,输出待检测刀具表面矫正灰度图像对应的每张子图像的第二预测缺陷概率值;

将待检测刀具表面矫正灰度图像对应的每张子图像的第一预测缺陷概率值和第二预测缺陷概率值进行加权平均,得到待检测刀具表面矫正灰度图像对应的每张子图像的融合缺陷概率值;

将融合缺陷概率值大于等于阈值的子图像,作为异常子图像;

获取正常刀具表面子图像集,按照每张异常子图像的编号,在正常刀具表面子图像集中找到与该异常子图像编号相同的正常子图像,并将该异常子图像与其编号相同的正常子图像,构成该异常子图像的缺陷对,依次得到所有异常子图像的缺陷对;

将所有异常子图像的缺陷对输入至训练好的孪生变换检测网络中,输出每张异常子图像中缺陷区域的特征信息和分割结果,进而得到待检测的刀具表面通道图像对应的缺陷区域的特征信息和分割结果。

10.一种两阶段的刀具表面缺陷检测系统,其特征在于,包括:

图像标注模块:获取多张刀具表面通道图像,对每张刀具表面通道图像进行灰度化操作,得到每张刀具表面灰度图像;对每张刀具表面灰度图像进行姿态矫正操作,得到刀具表面矫正灰度图像;按照预设尺寸,对每张刀具表面矫正灰度图像进行裁剪操作,得到每张刀具表面矫正灰度图像对应的多张子图像;按照裁剪顺序,依次对每张刀具表面矫正灰度图像对应的每张子图像进行标注,得到每张刀具表面矫正灰度图像对应的每张子图像的编号;

第一检测模块:利用Radon变换,提取每张刀具表面矫正灰度图像对应的每张子图像的Radon域特征;基于每张刀具表面矫正灰度图像对应的每张子图像的Radon域特征,标注每张刀具表面矫正灰度图像对应的每张子图像的缺陷结果;基于每张刀具表面矫正灰度图像对应的每张子图像以及其缺陷结果,构建Radon训练集;利用Radon训练集,训练残差网络,得到训练好的残差网络,用于输出刀具表面矫正灰度图像对应的每张子图像中存在缺陷的第一概率值;

第二检测模块:利用边缘结构算子卷积,提取每张刀具表面矫正灰度图像对应的每张子图像的边缘结构特征;基于每张刀具表面矫正灰度图像对应的每张子图像的边缘结构特征,标注每张刀具表面矫正灰度图像对应的每张子图像的缺陷结果;基于每张刀具表面矫正灰度图像对应的每张子图像以及其缺陷结果,构建边缘结构特征数据集;利用边缘结构特征数据集,训练支持向量机,得到训练好的残差网络,用于输出刀具表面矫正灰度图像对应的每张子图像中存在缺陷的第二概率值;

融合检测模块:将每张刀具表面矫正灰度图像对应的每张子图像中存在缺陷的第一概率值和第二概率值进行加权平均,得到每张刀具表面矫正灰度图像对应的每张子图像中存在缺陷的第三概率值;

异常子图像确定模块:将第三概率值大于等于阈值的子图像,作为异常子图像;

缺陷特征检测模块:将各个刀具表面矫正灰度图像对应的编号相同的子图像划分为一组,得到不同编号的子图像组;根据异常子图像的编号,在该异常子图像对应的子图像组中找到一个正常子图像,构成该异常子图像的缺陷对,依次得到所有异常子图像的缺陷对,并构成缺陷对数据集;利用缺陷对数据集,训练孪生变换检测网络,得到训练好的孪生变换检测网络,用于检测每张异常子图像中缺陷区域的特征信息。