[发明专利]基于深度学习的铸件外观缺陷检测方法

说明书

本发明提供了一种基于深度学习的铸件外观缺陷检测方法，属于汽车压铸件的缺陷检测场景的领域。首先，通过图像采集模块来对流水线上的缺陷工件进行图像的采集，并对图像中的缺陷部分进行标注制作成数据集；接着，在云端对深度学习模型进行训练，并将训练好的神经网络模型下放到边缘服务器上。在进行实际检测的时候，通过图像采集模块来对流水线上的工件进行图像的采集，并将图片通过5G网络传输到边缘端服务器上部署的深度模型上，经过模型的计算后，在通过5G网络将结果反馈到终端服务器端进行结果的显示。本发明主要用于铸件生产线上铸件在机加工后的外观缺陷检测中；能够以较高的检测效率和较低的劳动力获得较高的缺陷检测的准确率。

技术领域

本发明属于汽车压铸件外观缺陷检测领域，尤其是基于深度学习的自动生产线中的缺陷检测领域，涉及一种基于深度学习的铸件外观缺陷检测方法。

背景技术

产品的表面缺陷检测是视觉缺陷检测的一个重要部分，其检测的准确程度直接会影响产品最终的质量优劣。在制造机械零部件的过程中,压铸的铝铸件有可能存在各种缺陷，具体包括气孔、气泡、缩孔、缺肉和冷隔等缺陷，这些导致对设备运行安全的威胁，精密铸件的缺陷检测尤为重要。早期的人工检测或半自动检测的方法难以满足现代工艺生产制造的高效需求。工序检测多依靠人工处理，成本高，效率低。人工检查或半自动监测，生产线检查的劳动力量很大，效率低，缺乏一致性的检测品质，检测效率不稳定及作业成本较高。而利用视觉缺陷检测很好地克服了这一点。

在工业界，传统的数字图像处理在一些相对简单的任务上已经能够在很大的程度上减轻人们的劳动力，比如说在螺纹的漏加工上和孔的漏加工上等缺陷检测的任务中。在这些任务中，传统的数字图像处理方法已经能够达到接近百分之百的准确率了，能够达到完全替代人类进行工作的目的了。但是，这种技术方法只能适用于相对简单的缺陷检测任务上，对于铸件缺陷检测这种相对比较复杂的任务上，传统的数字图像处理方法并不能达到工厂所要求的工业级别。

目前，随着计算机、人工智能等科学技术的出现和发展，深度学习及其发展的产品已经得到了广泛的应用，比如：目标识别、无人驾驶、航空航天等领域。随着深度学习在其他领域的应用的成功，深度学习也逐渐在工业界应用起来。在工业界，缺陷检测就是一个应用前景非常的领域。应用于工业界的深度学习的缺陷检测方法相对于传统的方法在复杂的环境和多目标场景中具有更高的鲁棒性和准确性。同时，将深度学习与5G相结合，能够在工厂内到达实时的缺陷检测的效果。

发明内容

目前在制造机械零部件的过程中，有可能存在各种缺陷比如说缺肉、裂纹、冷隔、气孔等缺陷导致对设备运行安全的威胁，因此汽车精密零部件的缺陷检测尤为重要。当前制造业汽车零部件产品瑕疵缺陷的检查，多是人工检查或半自动检测，生产线检查工人的劳动量很大，效率低，误检率高，极大地抑制了生产效率，质检对质量控制和产能都产生了很大不良影响。本发明的主要目的是为了减轻生产线检查工人的劳动量、提高检测的效率、降低缺陷检测的误检率，提供了一种基于深度学习和5G相结合的铸件外表面缺陷检测方法。

为了达到上述目的，本发明采用的技术方案为：

一种基于深度学习的铸件外观缺陷检测方法，包括以下步骤：

所述的训练阶段主要包括以下几个步骤：

(1)在实际生产线上搭建图像获取模块，选择的工位在铸件机加工的最后一道工序—清洗后。在此工位上，将相机和镜头布置在相机支架上。在实际的应用中，当待检测的工件经过清洗之后，机械臂抓取该工件后将该工件放置到相机前进行图像的获取。通过图像获取模块在生产线上捕获缺陷压铸件的图片，并将缺陷图片保存到电脑终端，通过图像采集模块获得800张缺陷图片。

进一步的，本发明选取的相机是AVT5200型号，选择的打光方式是同轴光。然后按照实际情况在产线中布置好相机、镜头和光源，搭建起图像获取模块。通过图像获取模块，在工厂的生产线上一共收集到800张图片，具体包括缺肉缺陷250张，气孔缺陷250张，缩孔缺陷180张，冷隔缺陷120张。