[发明专利]一种基于深度学习的环状轴承外表面缺陷检测方法

摘要

本发明涉及机器视觉技术在机械工程领域的运用，具体为一种基于深度学习的环状轴承外表面缺陷检测方法；包括如下步骤：步骤1：采集环状轴承正上方图像和位于下端面检测工位玻璃上的下方图像2张缺陷图片作为1组，机械手采用Halcon的手眼标定策略定位后，抓取工件放入外侧检测工位旋转采集轴承外侧表面的连续图像作为另一组图片；步骤2：图像采集完成后，将环状轴承外侧表面图像进行图像矫正的图像预处理工作；步骤3：将两组图像分别送入训练好的两个神经网络模型中进行识别判定，如有缺陷部位则进行标注并将该轴承视为废品，如没有缺陷则为无损成品。

主权项

1.一种基于深度学习的环状轴承外表面缺陷检测方法，其特征在于：包括如下步骤：步骤1：采集环状轴承正上方图像和位于下端面检测工位玻璃上的下方图像2张缺陷图片作为1组，在通过机械手抓取放入外侧检测工位旋转采集轴承外侧表面的连续图像作为另一组图片；/n步骤2：图像采集完成后，将环状轴承外侧表面图像进行图像矫正的图像预处理工作；/n步骤3：将两组图像分别送入训练好的两个神经网络模型中进行识别判定，如有缺陷部位则进行标注并将该轴承视为废品，如没有缺陷则为无损成品。/n步骤4：手眼标定采用Halcon中的策略，基本坐标系为机械手基础坐标系、机械手末端工具坐标系、相机坐标系和工件坐标系；/nH机械手坐标＝R旋转x H图像坐标+M位移矢量，为以下步骤实现：/na.采集标定板不同位置图像，记录机器人和相机坐标。/nb.旋转平移缩放矩阵的计算。/nc.得到相应的矩阵，完成手眼标定。/n步骤5：FasterR-CNN模型利用Fast R-CNN为主干网络进行检测，其中的RPN与FastRCNN共享卷积特征，FastRCNN在RPN提供的高质量区域建议网络的基础上进行目标识别，目标检测速度得到了大幅提高；对候选区域进行训练，在训练时，通过一种交替运行优化方法使RPN与FastR-CNN共享卷积的特征；/n步骤六：深度学习模型的框架可选用Faster-Rcnn模型，分别训练两个识别模型，一个为上方和下方表面缺陷识别模型，另一个为轴承外侧面缺陷模型；/n所述上方和下方表面缺陷识别模型和轴承外侧面缺陷模型具体模型训练步骤如下：/n步骤1：选择含有常见缺陷例如擦花、裂纹、磕碰伤、磨废的图片各400张共计1600张图片作为模型训练集，400张混合缺陷图片样本作为检测集；/n步骤2：在训练前，先通过LabelImg对缺陷目标进行标注，在标注目标完成后，每个标注图片保存为一个XML文件作为训练样本；/n步骤3：使用Keras框架实现卷积神经网络模型，选择框尺度分别为8、16、32，长宽比为2、1、0.5，设置IOU阈值在0.7到0.3之间，获得特征图；/n步骤4：在特征图基础上，RPN与Fast-Rcnn网络共享卷积特征,进行交替训练，迭代次数为6000，获得需要的检测模型。/n