[发明专利]基于深度残差网络的注塑件表面微缺陷自动快速检测方法

说明书

本发明公开了一种基于深度残差网络的注塑件表面微缺陷自动快速检测方法。步骤如下：S1利用注塑成型仿真软件和注塑成型工业产品两种途径分别收集注塑件表面微缺陷和无缺陷仿真、真实图形；S2对注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理；S3构建注塑件表面微缺陷混合数据集；S4设计基于深度学习的深度残差网络注塑件微缺陷识别框架；S5训练基于深度学习的深度残差网络微缺陷识别框架；S6获取基于深度学习的深度残差网络微缺陷识别框架模型；S7检测出微缺陷类别。本发明只需要输入一幅注塑件表面微缺陷图形，可快速识别出微缺陷类别。本发明微缺陷识别速度快，检出率高，具有广泛的实用价值与应用前景。

技术领域

本发明属于微缺陷检测识别技术领域，具体涉及基于深度残差网络的注塑件表面微缺陷自动快速检测方法。

背景技术

随着人们生活水平的提高，对注塑件外观质量和使用性能的要求越来越高。在注射成型过程中，由于各种因素的影响，注塑件可能会出现短射、飞边、熔接痕、气泡、裂纹等表面微缺陷，这些微缺陷仅凭人工方法是无法检测和识别出的。因此，实现微缺陷检测是保证注塑件品质的一个重要环节。

当前，表面缺陷是注塑件检测领域的主要检测对象。注塑件表面缺陷检测和识别方法主要分为人工检测和非人工检测两种方式。人工检测方式存在着效率低、自动化程度低、检出率不高等问题，且易受到检测人员的主观意志的影响。非人工检测方式主要有利用支持向量机对注塑件提取到的形状特征进行分类(“基于机器视觉的注塑制品缺陷检测系统研究”，2008，东北大学，硕士学位论文)、利用图像处理算法获取注塑件表面缺陷特征提取与识别(“基于机器视觉的注塑过程检测技术”，2013，华中科技大学，硕士学位论文)、利用BP神经网络对缺陷区域提取到的形状特征进行分类(“注塑制品表面缺陷分析及自动识别研究”，2011，华南理工大学，硕士学位论文)、利用卷积神经网络对注塑件缺陷进行检测识别(“基于机器视觉的注塑制品尺寸检测及表面缺陷识别”，2015，华中科技大学，硕士学位论文)、利用数字信号处理技术的嵌入式塑料制品表面缺陷在线检测系统(“基于DSP的嵌入式塑料制品表面缺陷在线检测系统”，塑料科，2019,47(4):37-40.)等。上述非人工检测方式虽然有着非接触、自动化程度高等优势，但是严重依赖专业人员对采集图像中的缺陷区域进行特征提取和分析，尤其是图像含有噪声的情况下，这种特征分析变得更加困难。

综上所述，对注塑件表面缺陷的检测和识别取得了一些进展，但是针对注塑件表面微缺陷的检测和识别尚不多见，亟待开展深入研究，以实现注塑件表面微缺陷的自动快速检测。

发明内容

本发明的目的是针对上述问题，提供基于深度残差网络的注塑件表面微缺陷自动快速检测方法。该方法只需要输入注塑件表面微缺陷图形，就可以识别出微缺陷类别，识别速度快，检出率高。

为实现上述目的，本发明采用的技术方案如下：

基于深度残差网络的注塑件表面微缺陷自动快速检测方法，包括以下步骤：

S1:利用注塑成型仿真软件和注塑成型工业产品两种途径分别收集注塑件表面短射、飞边、熔接痕、气泡、裂纹五种类型的微缺陷和无缺陷仿真、真实图形；

S2:对所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理；

S3:对所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行微缺陷和无缺陷标记，进而构建注塑件表面微缺陷混合数据集；

S4:设计基于深度学习的深度残差网络注塑件微缺陷识别框架；

S5:利用步骤S3中的注塑件表面微缺陷混合数据集，对步骤S4中的基于深度学习的深度残差网络微缺陷识别框架进行训练和验证，直至满足预设识别精度要求，结束训练；

S6:获得所述步骤S5中的基于深度学习的深度残差网络注塑件微缺陷识别框架模型；