CN113470018B - 轮毂缺陷识别方法、电子装置、装置及可读存储介质 - Google Patents
轮毂缺陷识别方法、电子装置、装置及可读存储介质 Download PDFInfo
- Publication number
- CN113470018B CN113470018B CN202111020967.2A CN202111020967A CN113470018B CN 113470018 B CN113470018 B CN 113470018B CN 202111020967 A CN202111020967 A CN 202111020967A CN 113470018 B CN113470018 B CN 113470018B
- Authority
- CN
- China
- Prior art keywords
- hub
- defect
- deep learning
- ray image
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 83
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本申请涉及一种轮毂缺陷识别方法、电子装置、装置及可读存储介质，方法包括步骤：当监测到轮毂进入到X光检测位置时触发检测信号，基于检测信号采集轮毂的轮毂X光图像；获取深度学习识别模型，并通过深度学习识别模型对轮毂X光图像进行缺陷识别操作，得到识别结果；根据识别结果判断轮毂是否存在缺陷，若轮毂存在缺陷，将识别结果对应的缺陷信息添加到深度学习识别模型的样本库中，并采用样本库更新深度学习识别模型。通过深度学习识别模型对轮毂的缺陷进行识别，同时将识别得到的缺陷信息添加到深度学习识别模型的样本库中，从而使得深度学习识别模型能够进行自主学习，以适应不同类型的轮毂，提高缺陷的检测效率。
Description
技术领域
本申请涉及产品检测领域，尤其涉及一种轮毂缺陷识别方法、电子装置、装置及可读存储介质。
背景技术
在轮毂的生产过程中，设备和操作技术均会影响轮毂的质量，处理不当时，可能使轮毂产生缺陷，如夹渣、裂纹、气孔、缩孔、缩松等，这些缺陷可能会对汽车行驶带来安全隐患。现有技术中，对于轮毂缺陷的识别多采用传统算法进行识别；而由于轮毂会随生产技术的发展而迭代更新，因此，对于新类型的轮毂而言，需要人为对算法进行调整才能进行应用，算法不够自主，识别效率较低。
发明内容
本申请提供了一种轮毂缺陷识别方法、电子装置、装置及可读存储介质，旨在解决现有技术中缺陷识别算法不够自主，同时识别效率较低的技术问题。
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种轮毂缺陷识别方法，所述方法包括步骤：
当监测到轮毂进入到X光检测位置时触发检测信号，基于所述检测信号采集所述轮毂的轮毂X光图像；
获取深度学习识别模型，并通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作，得到识别结果，其中，所述识别结果用于表征所述轮毂的缺陷状态；
根据所述识别结果判断轮毂是否存在缺陷，若所述轮毂存在缺陷，将所述识别结果对应的缺陷信息添加到所述深度学习识别模型的样本库中，并采用所述样本库更新所述深度学习识别模型。
可选地，所述根据所述缺陷识别操作的识别结果判断轮毂是否存在缺陷的步骤包括：
若所述识别结果为轮毂存在缺陷，则将所述轮毂X光图像发送至检测人员终端；
接收所述检测人员终端根据所述轮毂X光图像反馈的判定结果；
根据所述判定结果确定所述轮毂是否存在缺陷。
可选地，所述根据所述缺陷识别操作的识别结果判断轮毂是否存在缺陷的步骤包括：
获取缺陷检测标准；
将所述缺陷检测标准与所述识别结果进行对比操作；
根据所述对比操作的结果判断轮毂是否存在缺陷。
可选地，所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
获取与所述轮毂X光图像对应的对中样本图像，并截取所述对中样本图像中的对中区域；
将所述轮毂X光图像与所述对中样本图像进行对中操作，以使所述轮毂X光图像中与所述对中区域对应的部分与所述对中区域重合；
通过所述深度学习识别模型对对中操作之后的轮毂X光图像进行缺陷识别。
可选地，所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
在所述轮毂X光图像中生成感兴趣区域；
通过所述深度学习识别模型对所述感兴趣区域进行缺陷识别操作。
可选地，所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
获取图像标定参数，所述图像标定参数包括所述轮毂X光图像中像素与轮毂的实际大小之间的比例关系；
根据所述图像标定参数对所述轮毂X光图像进行缩放；
通过所述深度学习识别模型对缩放后的轮毂X光图像进行缺陷识别操作。
可选地，所述采用所述样本库更新所述深度学习识别模型的步骤包括：
判断是否达到模型训练条件；
若达到模型训练条件，则通过所述样本库对所述深度学习识别模型进行训练操作，以对所述深度学习模型进行更新。
为实现上述目的，本发明还提供一种电子装置，所述电子装置包括：
第一获取模块，用于当监测到轮毂进入到X光检测位置时触发检测信号，基于所述检测信号采集所述轮毂的轮毂X光图像；
第二获取模块，用于获取深度学习识别模型，并通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作，得到识别结果，其中，所述识别结果用于表征所述轮毂的缺陷状态；
第一判断模块，用于根据所述识别结果判断轮毂是否存在缺陷，若所述轮毂存在缺陷，将所述识别结果对应的缺陷信息添加到所述深度学习识别模型的样本库中，并采用所述样本库更新所述深度学习识别模型。
可选地，所述第一判断模块包括：
第一发送单元，用于若所述识别结果为轮毂存在缺陷，则将所述轮毂X光图像发送至检测人员终端；
第一接收单元，用于接收所述检测人员终端根据所述轮毂X光图像反馈的判定结果；
第一执行单元，用于根据所述判定结果确定所述轮毂是否存在缺陷。
可选地，所述第一判断模块包括：
第一获取单元，用于获取缺陷检测标准；
第二执行单元，用于将所述缺陷检测标准与所述识别结果进行对比操作；
第一判断单元，用于根据所述对比操作的结果判断轮毂是否存在缺陷。
可选地，所述第二获取模块包括：
第二获取单元，用于获取与所述轮毂X光图像对应的对中样本图像，并截取所述对中样本图像中的对中区域；
第三执行单元，用于将所述轮毂X光图像与所述对中样本图像进行对中操作，以使所述轮毂X光图像中与所述对中区域对应的部分与所述对中区域重合；
第四执行单元，用于通过所述深度学习识别模型对对中操作之后的轮毂X光图像进行缺陷识别。
可选地，所述第二获取模块包括：
第一生成单元，用于在所述轮毂X光图像中生成感兴趣区域；
第五执行单元，用于通过所述深度学习识别模型对所述感兴趣区域进行缺陷识别操作。
可选地，所述第二获取模块包括：
第三获取单元，用于获取图像标定参数，所述图像标定参数包括所述轮毂X光图像中像素与轮毂的实际大小之间的比例关系；
第六执行单元，用于根据所述图像标定参数对所述轮毂X光图像进行缩放；
第七执行单元，用于通过所述深度学习识别模型对缩放后的轮毂X光图像进行缺陷识别操作。
可选地，所述第一判断模块包括：
第二判断单元，用于判断是否达到模型训练条件；
第八执行单元，用于若达到模型训练条件，则通过所述样本库对所述深度学习识别模型进行训练操作，以对所述深度学习模型进行更新。
为实现上述目的，本发明还提供一种轮毂缺陷识别装置，所述轮毂缺陷识别装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的轮毂缺陷识别方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轮毂缺陷识别方法的步骤。
本发明提出的一种轮毂缺陷识别方法、电子装置、装置及可读存储介质，当监测到轮毂进入到X光检测位置时触发检测信号，基于所述检测信号采集所述轮毂的轮毂X光图像；获取深度学习识别模型，并通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作，得到识别结果，其中，所述识别结果用于表征所述轮毂的缺陷状态；根据所述识别结果判断轮毂是否存在缺陷，若所述轮毂存在缺陷，将所述识别结果对应的缺陷信息添加到所述深度学习识别模型的样本库中，并采用所述样本库更新所述深度学习识别模型。通过深度学习识别模型对轮毂的缺陷进行识别，同时将识别得到的缺陷信息添加到深度学习识别模型的样本库中，从而使得深度学习识别模型能够进行自主学习，以适应不同类型的轮毂，提高缺陷的检测效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明轮毂缺陷识别方法第一实施例的流程示意图；
图2为本发明轮毂缺陷识别方法第二实施例步骤S30的细化流程图；
图3为本发明轮毂缺陷识别装置的模块结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本发明提供一种轮毂缺陷识别方法，参照图1，图1为本发明轮毂缺陷识别方法第一实施例的流程示意图，所述方法包括步骤：
步骤S10，当监测到轮毂进入到X光检测位置时触发检测信号，基于所述检测信号采集所述轮毂的轮毂X光图像；
轮毂通过轨道进行传输，轮毂传输到进货仓终点时，传感器检测到轮轨发出信号，此时输入仓进入准备状态，轮毂传输到输入仓，在输入仓中对轮毂进行初步判断，判断轮毂是否符合进入检测仓的条件，当轮毂符合进入检测仓的条件时，轨道将轮毂传输至检测仓，当轮毂传输到检测仓中的X光检测位置时，X光检测位置上设置的传感器检测到轮毂，控制X光机进入工作状态，并对轮毂进行拍照，可以理解的是，轮毂X光图像的数量为多个，具体地可对轮毂的外表面以及内部进行拍照。
步骤S20，获取深度学习识别模型，并通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作，得到识别结果，其中，所述识别结果用于表征所述轮毂的缺陷状态；
具体的深度学习识别模型的类型可以根据实际应用场景以及需求进行选择，在此不进行赘述。
识别结果中包含存在缺陷的几率、根据存在缺陷的几率确定的是否存在缺陷的结果、识别到的缺陷信息等，如缺陷数量、缺陷类型、缺陷等级、缺陷位置等。
步骤S30，根据所述识别结果判断轮毂是否存在缺陷，若所述轮毂存在缺陷，将所述识别结果对应的缺陷信息添加到所述深度学习识别模型的样本库中，并采用所述样本库更新所述深度学习识别模型。
若所述轮毂不存在缺陷，控制轨道将轮毂传输至输出仓，输出仓传感器再次对轮毂进行扫描，扫描完成后，将轮毂传输至出货轨道。
需要说明的是，在将缺陷信息添加到样本库之前，需要对缺陷信息进行标定，即将缺陷信息根据类别如缺陷数量、缺陷类型、缺陷等级、缺陷位置等进行记录，在标定后，将缺陷信息添加到样本库中。在获取到缺陷信息时，还可以在样本库中匹配是否存在相同的缺陷信息，若存在相同的缺陷信息，则不将该缺陷信息添加到样本库。
本实施例通过深度学习识别模型对轮毂的缺陷进行识别，同时将识别得到的缺陷信息添加到深度学习识别模型的样本库中，从而使得深度学习识别模型能够进行自主学习，以适应不同类型的轮毂，提高缺陷的检测效率。
进一步地，参见图2，在基于本发明的第一实施例所提出的本发明轮毂缺陷识别方法第二实施例中，所述步骤S30包括步骤：
步骤S31，若所述识别结果为轮毂存在缺陷，则将所述轮毂X光图像发送至检测人员终端；
步骤S32，接收所述检测人员终端根据所述轮毂X光图像反馈的判定结果；
步骤S33，根据所述判定结果确定所述轮毂是否存在缺陷。
当识别到轮毂存在缺陷时，为了进一步保证识别的准确性，通过检测人员对轮毂X光图像的缺陷进行确认，并最终根据检测人员的判定结果确定轮毂是否存在缺陷。在将所述轮毂X光图像发送至检测人员终端，还可以同时发送识别结果至检测人员终端；在接收到判定结果之后，还可以综合判定结果与识别结果来确定轮毂是否存在缺陷。
需要说明的是，本实施例中可以选择不同的操作模式，如手动模式、半自动模式、全自动模式；在步骤S10中采集所述轮毂的轮毂X光图像之后，判断操作模式，当操作模式为手动模式时，直接将轮毂X光图像发送至检测人员终端进行缺陷判断；当操作模式为半自动模式时，通过步骤S20、步骤S30、步骤S31、步骤S32以及步骤S33进行缺陷判断；当操作模式为全自动时，通过步骤S20、步骤S30进行缺陷判断，且当识别结果为轮毂存在缺陷时，无需经由检测人员终端进行再次判断，直接确定轮毂存在缺陷。
进一步地，X光机将拍摄到的轮毂X光图像推送到管理系统，检测人员终端通过管理系统能够查看每个检测仓对应的轮毂X光图像；检测人员终端还可以切换管理系统的显示模式，如图像模式与简单模式，图像模式直接显示轮毂X光图像；简单模式中不直接显示轮毂X光图像，仅显示轮毂X光图像的编号或名称等标识组成的列表，列表中的各轮毂X光图像标识可以根据轮毂X光图像的识别结果进行区分，如存在缺陷的轮毂X光图像标识以红色显示；同时，还可以显示轮毂X光图像的其它设置或调整数据，如显示对中后的轮毂X光图像可以同时显示对中偏移量角度，当偏移量角度大于±15°，距离大于240pix时，显示报错提醒；用户通过选择具体的检测仓能够对轮毂X光图像进行查看；
检测人员终端根据登录账号的不同可以划分为系统管理员终端、操作员终端以及产线管理员终端；系统管理员终端用于对账户进行权限管理；产线管理员终端可以进行操作模式的设置，操作员终端用于接收轮毂X光图像进行轮毂缺陷的确定，即复判，操作员终端上显示轮毂X光图像对应的原图与识别结果输出的图像，可以调整原图与识别结果输出的图像的显示位置，还可以对原图与识别结果输出图像的图像参数，如亮度、对比度等进行调整；操作员终端还可以选择轮毂统计检测结果、统计检测数量以及待复判数量等。
本实施例能够进一步保证识别的准确性。
进一步地，在基于本发明的第一实施例所提出的本发明轮毂缺陷识别方法第三实施例中，所述步骤S30包括步骤：
步骤S34，获取缺陷检测标准；
步骤S35，将所述缺陷检测标准与所述识别结果进行对比操作；
步骤S36，根据所述对比操作的结果判断轮毂是否存在缺陷。
缺陷检测标准为轮毂不存在缺陷的最低标准，即当识别结果符合缺陷检测标准时，认为轮毂不存在缺陷；具体地，缺陷检测标准可以根据不同的缺陷类型分别进行设置，缺陷类型包括夹渣、裂纹、气孔、缩孔、缩松、圆形针孔、长形针孔等，在每个缺陷类型下，分别对包括缺陷数量、缺陷的长度、缺陷的面积、缺陷的厚度的合格区间进行设定，当识别结果不满足任一缺陷类型下的任一参数的合格区间要求时，认为轮毂存在缺陷；还可以对缺陷整体参数进行设置，如对存在缺陷的总数量、总面积、总长度、总厚度的合格区间进行设定，当识别结果中的总数量、总面积、总长度或总厚度不满足合格区间要求时，认为轮毂存在缺陷。
对于不同类型、型号的轮毂的质量要求也不一样，因此可以预先设置多套缺陷检测标准，根据实际进行检测轮毂的类型选择对应的缺陷检测标准。
本实施例能够合理地判断轮毂是否存在缺陷。
进一步地，在基于本发明的第一实施例所提出的本发明轮毂缺陷识别方法第四实施例中，所述步骤S20包括步骤：
步骤S21，获取与所述轮毂X光图像对应的对中样本图像，并截取所述对中样本图像中的对中区域；
步骤S22，将所述轮毂X光图像与所述对中样本图像进行对中操作，以使所述轮毂X光图像中与所述对中区域对应的部分与所述对中区域重合；
步骤S23，通过所述深度学习识别模型对对中操作之后的轮毂X光图像进行缺陷识别。
由于X光机会对轮毂进行多方位的拍照，而深度学习识别模型时根据各方位的样本图像进行训练的，因此，需要将轮毂X光图像与样本图像进行对中，以统一姿态，提高检测准确性；每个对中样本图像预先创建有且只有一个对中区域，对中区域为对中样本图像中具有明显特征的区域，将对中样本图像与轮毂X光图像对应的区域，即对中区域重合，即可得到与对中样本图像姿态一致的轮毂X光图像。
本实施例通过统一对中样本图像与轮毂X光图像的姿态，使得能够提高检测的准确性。
进一步地，在基于本发明的第一实施例所提出的本发明轮毂缺陷识别方法第五实施例中，所述步骤S20包括步骤：
步骤S24，在所述轮毂X光图像中生成感兴趣区域；
步骤S25，通过所述深度学习识别模型对所述感兴趣区域进行缺陷识别操作。
ROI（Region Of Interest，感兴趣区域）为进行图像分析的重点区域。根据检测人员预先设置的参数或默认参数从轮毂X光图像中提取感兴趣区域，感兴趣区域影响轮毂缺陷的判别标准。
所述步骤S20包括步骤：
步骤S26，获取图像标定参数，所述图像标定参数包括所述轮毂X光图像中像素与轮毂的实际大小之间的比例关系；
步骤S27，根据所述图像标定参数对所述轮毂X光图像进行缩放；
步骤S28，通过所述深度学习识别模型对缩放后的轮毂X光图像进行缺陷识别操作。
轮毂X光图像放大到过大的倍数后，会出现明显的精度损失；因此，设置图像标定参数来确定轮毂X光图像的放大系数，对轮毂X光图像以放大系数进行缩放后的亮度、清晰度、对比度等参数进行自适应调整，使得得到的轮毂X光图像最清晰。便于定位具体的缺陷位置。
本实施例能够对轮毂X光图像进行处理以得到利于进行缺陷检测的轮毂X光图像。
进一步地，在基于本发明的第一实施例所提出的本发明轮毂缺陷识别方法第六实施例中，所述步骤S30包括步骤：
步骤S37，判断是否达到模型训练条件；
步骤S38，若达到模型训练条件，则通过所述样本库对所述深度学习识别模型进行训练操作，以对所述深度学习模型进行更新。
由于在得到新的缺陷信息时，深度学习识别模型是处于工作状态的，因此，只有在达到模型训练条件时，才对深度学习识别模型进行更新。
具体地，本实施例中模型训练条件可以包括设置预设数量阈值，当新增的缺陷信息的数量大于预设数量阈值时，达到模型训练条件；还可以设置预设时间阈值，当距离上一次模型训练时间达到预设时间阈值时，达到模型训练条件；还可以对预设统计时间内的识别率进行统计，当识别率低于预设识别率阈值时，达到模型训练条件。需要说明的是还可以对多个模型训练条件进行组合，当同时达到所有模型训练条件或达到任一模型训练条件时，则对深度学习识别模型进行更新。还可以设置一个上位训练条件，如深度学习识别模型处于空闲状态时，才进行后续模型训练条件的判断，深度学习识别模型处于工作状态时，不对所述深度学习模型进行更新。
本实施例能够合理地对深度学习识别模型进行更新。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
本申请还提供一种用于实施上述轮毂缺陷识别方法的电子装置，电子装置包括：
第一获取模块，用于当监测到轮毂进入到X光检测位置时触发检测信号，基于所述检测信号采集所述轮毂的轮毂X光图像；
第二获取模块，用于获取深度学习识别模型，并通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作，得到识别结果，其中，所述识别结果用于表征所述轮毂的缺陷状态；
第一判断模块，用于根据所述识别结果判断轮毂是否存在缺陷，若所述轮毂存在缺陷，将所述识别结果对应的缺陷信息添加到所述深度学习识别模型的样本库中，并采用所述样本库更新所述深度学习识别模型。
本电子装置通过深度学习识别模型对轮毂的缺陷进行识别，同时将识别得到的缺陷信息添加到深度学习识别模型的样本库中，从而使得深度学习识别模型能够进行自主学习，以适应不同类型的轮毂，提高缺陷的检测效率。
需要说明的是，该实施例中的第一获取模块可以用于执行本申请实施例中的步骤S10，该实施例中的第二获取模块可以用于执行本申请实施例中的步骤S20，该实施例中的第一判断模块可以用于执行本申请实施例中的步骤S30。
进一步地，所述根据所述缺陷识别操作的识别结果判断轮毂是否存在缺陷的步骤包括：
若所述识别结果为轮毂存在缺陷，则将所述轮毂X光图像发送至检测人员终端；
接收所述检测人员终端根据所述轮毂X光图像反馈的判定结果；
根据所述判定结果确定所述轮毂是否存在缺陷。
进一步地，所述根据所述缺陷识别操作的识别结果判断轮毂是否存在缺陷的步骤包括：
获取缺陷检测标准；
将所述缺陷检测标准与所述识别结果进行对比操作；
根据所述对比操作的结果判断轮毂是否存在缺陷。
进一步地，所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
获取与所述轮毂X光图像对应的对中样本图像，并截取所述对中样本图像中的对中区域；
将所述轮毂X光图像与所述对中样本图像进行对中操作，以使所述轮毂X光图像中与所述对中区域对应的部分与所述对中区域重合；
通过所述深度学习识别模型对对中操作之后的轮毂X光图像进行缺陷识别。
进一步地，所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
在所述轮毂X光图像中生成感兴趣区域；
通过所述深度学习识别模型对所述感兴趣区域进行缺陷识别操作。
进一步地，所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
获取图像标定参数，所述图像标定参数包括所述轮毂X光图像中像素与轮毂的实际大小之间的比例关系；
根据所述图像标定参数对所述轮毂X光图像进行缩放；
通过所述深度学习识别模型对缩放后的轮毂X光图像进行缺陷识别操作。
进一步地，所述采用所述样本库更新所述深度学习识别模型的步骤包括：
判断是否达到模型训练条件；
若达到模型训练条件，则通过所述样本库对所述深度学习识别模型进行训练操作，以对所述深度学习模型进行更新。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
参照图3，在硬件结构上所述轮毂缺陷识别装置可以包括通信模块10、存储器20以及处理器30等部件。在所述轮毂缺陷识别装置中，所述处理器30分别与所述存储器20以及所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行，所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可以发送请求、指令及信息至所述外部通讯设备，所述外部通讯设备可以是其它轮毂缺陷识别装置、服务器或者物联网设备，例如电视等等。
存储器20，可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如根据所述判定结果确定所述轮毂是否存在缺陷）等；存储数据区可包括数据库，存储数据区可存储根据系统的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30，是轮毂缺陷识别装置的控制中心，利用各种接口和线路连接整个轮毂缺陷识别装置的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行轮毂缺陷识别装置的各种功能和处理数据，从而对轮毂缺陷识别装置进行整体监控。处理器30可包括一个或多个处理单元；可选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。
尽管图3未示出，但上述轮毂缺陷识别装置还可以包括电路控制模块，所述电路控制模块用于与电源连接，保证其他部件的正常工作。本领域技术人员可以理解，图3中示出的轮毂缺陷识别装置结构并不构成对轮毂缺陷识别装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图3的轮毂缺陷识别装置中的存储器20，也可以是如ROM（Read-OnlyMemory，只读存储器）/RAM（Random Access Memory，随机存取存储器）、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视，汽车，手机，计算机，服务器，终端，或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中，术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的，而不能理解为指示或暗示相对重要性，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，本发明保护的范围并不局限于此，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换，这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种轮毂缺陷识别方法，其特征在于，所述方法包括：
当监测到轮毂进入到X光检测位置时触发检测信号，基于所述检测信号采集所述轮毂的轮毂X光图像；
获取深度学习识别模型，并通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作，得到识别结果，其中，所述识别结果用于表征所述轮毂的缺陷状态；
根据所述识别结果判断轮毂是否存在缺陷，若所述轮毂存在缺陷，将所述识别结果对应的缺陷信息添加到所述深度学习识别模型的样本库中，并采用所述样本库更新所述深度学习识别模型；
所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
获取与所述轮毂X光图像对应的对中样本图像，并截取所述对中样本图像中的对中区域；
将所述轮毂X光图像与所述对中样本图像进行对中操作，以使所述轮毂X光图像中与所述对中区域对应的部分与所述对中区域重合；
通过所述深度学习识别模型对对中操作之后的轮毂X光图像进行缺陷识别；
所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
获取图像标定参数，所述图像标定参数包括所述轮毂X光图像中像素与轮毂的实际大小之间的比例关系；
根据所述图像标定参数对所述轮毂X光图像进行缩放；
通过所述深度学习识别模型对缩放后的轮毂X光图像进行缺陷识别操作。
2.如权利要求1所述的轮毂缺陷识别方法，其特征在于，所述根据所述缺陷识别操作的识别结果判断轮毂是否存在缺陷的步骤包括：
若所述识别结果为轮毂存在缺陷，则将所述轮毂X光图像发送至检测人员终端；
接收所述检测人员终端根据所述轮毂X光图像反馈的判定结果；
根据所述判定结果确定所述轮毂是否存在缺陷。
3.如权利要求1所述的轮毂缺陷识别方法，其特征在于，所述根据所述缺陷识别操作的识别结果判断轮毂是否存在缺陷的步骤包括：
获取缺陷检测标准；
将所述缺陷检测标准与所述识别结果进行对比操作；
根据所述对比操作的结果判断轮毂是否存在缺陷。
4.如权利要求1所述的轮毂缺陷识别方法，其特征在于，所述通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作的步骤包括：
在所述轮毂X光图像中生成感兴趣区域；
通过所述深度学习识别模型对所述感兴趣区域进行缺陷识别操作。
5.如权利要求1所述的轮毂缺陷识别方法，其特征在于，所述采用所述样本库更新所述深度学习识别模型的步骤包括：
判断是否达到模型训练条件；
若达到模型训练条件，则通过所述样本库对所述深度学习识别模型进行训练操作，以对所述深度学习模型进行更新。
6.一种电子装置，其特征在于，所述电子装置包括：
第一获取模块，用于当监测到轮毂进入到X光检测位置时触发检测信号，基于所述检测信号采集所述轮毂的轮毂X光图像；
第二获取模块，用于获取深度学习识别模型，并通过所述深度学习识别模型对所述轮毂X光图像进行缺陷识别操作，得到识别结果，其中，所述识别结果用于表征所述轮毂的缺陷状态；
第一判断模块，用于根据所述识别结果判断轮毂是否存在缺陷，若所述轮毂存在缺陷，将所述识别结果对应的缺陷信息添加到所述深度学习识别模型的样本库中，并采用所述样本库更新所述深度学习识别模型；
所述第二获取模块包括：
第二获取单元，用于获取与所述轮毂X光图像对应的对中样本图像，并截取所述对中样本图像中的对中区域；
第三执行单元，用于将所述轮毂X光图像与所述对中样本图像进行对中操作，以使所述轮毂X光图像中与所述对中区域对应的部分与所述对中区域重合；
第四执行单元，用于通过所述深度学习识别模型对对中操作之后的轮毂X光图像进行缺陷识别；
所述第二获取模块包括：
第三获取单元，用于获取图像标定参数，所述图像标定参数包括所述轮毂X光图像中像素与轮毂的实际大小之间的比例关系；
第六执行单元，用于根据所述图像标定参数对所述轮毂X光图像进行缩放；
第七执行单元，用于通过所述深度学习识别模型对缩放后的轮毂X光图像进行缺陷识别操作。
7.轮毂缺陷识别装置，其特征在于，所述轮毂缺陷识别装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的轮毂缺陷识别方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的轮毂缺陷识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020967.2A CN113470018B (zh) | 2021-09-01 | 2021-09-01 | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020967.2A CN113470018B (zh) | 2021-09-01 | 2021-09-01 | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113470018A CN113470018A (zh) | 2021-10-01 |
| CN113470018B true CN113470018B (zh) | 2021-12-21 |
Family
ID=77867987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111020967.2A Active CN113470018B (zh) | 2021-09-01 | 2021-09-01 | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470018B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113628211B (zh) * | 2021-10-08 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 参数预测推荐方法、设备及计算机可读存储介质 |
| CN114118878B (zh) * | 2022-01-21 | 2022-05-24 | 深圳市信润富联数字科技有限公司 | 一种基于轮毂检测评审框架的在线集中质量分析决策系统 |
| CN115082425A (zh) * | 2022-07-19 | 2022-09-20 | 深圳市信润富联数字科技有限公司 | 轮毂尺寸测量方法、装置、电子装置及可读存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021491A (zh) * | 2006-12-28 | 2007-08-22 | 华南理工大学 | 基于图像理解的轮毂铸造缺陷自动检测方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104015060B (zh) * | 2014-05-27 | 2017-02-15 | 浙江万丰科技开发股份有限公司 | 摩托车铝合金轮毂自动化机加工上下件方法 |
| CN105118044B (zh) * | 2015-06-16 | 2017-11-07 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| KR101901074B1 (ko) * | 2017-12-29 | 2018-11-02 | 최광일 | 지그를 이용한 자동차 허브베어링 가공방법 |
| CN110763705A (zh) * | 2019-10-30 | 2020-02-07 | 艾偲睿科技(厦门)有限责任公司 | 一种基于x光影像的深度学习识别方法、系统以及x光机 |
| CN111257422B (zh) * | 2020-02-28 | 2023-09-08 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
| CN111929314A (zh) * | 2020-08-26 | 2020-11-13 | 湖北汽车工业学院 | 一种轮毂焊缝视觉检测方法及检测系统 |
| CN112529893A (zh) * | 2020-12-22 | 2021-03-19 | 郑州金惠计算机系统工程有限公司 | 基于深度神经网络的轮毂表面瑕疵在线检测方法及系统 |
-
2021
- 2021-09-01 CN CN202111020967.2A patent/CN113470018B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021491A (zh) * | 2006-12-28 | 2007-08-22 | 华南理工大学 | 基于图像理解的轮毂铸造缺陷自动检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| A new method in wheel hub surface defect detection: Object detection algorithm based on deep learning;Kai H.等;《2017 International Conference on Advanced Mechatronic Systems (ICAMechS)》;20180315;第335-338页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113470018A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113470018B (zh) | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 | |
| CN108827970B (zh) | 基于aoi系统的适应不同面板缺陷自动判等方法和系统 | |
| CN111982911B (zh) | 一种电路板缺陷的检测方法、装置、终端设备及存储介质 | |
| CN110231642B (zh) | 一种构建辐射场地图的方法、装置以及机器人 | |
| CN106292625B (zh) | 车辆故障在线检测系统及方法 | |
| CN113554004B (zh) | 搅拌车溢料检测方法、检测系统、电子设备及搅拌站 | |
| CN109359032B (zh) | 测试数据收集方法、装置、系统和电子设备 | |
| CN107292223A (zh) | 一种实时手势检测的在线验证方法及系统 | |
| CN113538427B (zh) | 产品缺陷识别方法、装置、设备及可读存储介质 | |
| CN113706495A (zh) | 一种在传送带上自动检测锂电池参数的机器视觉检测系统 | |
| CN114964650A (zh) | 一种基于声学成像的气体泄漏报警方法及装置 | |
| CN108872780B (zh) | 带电勘查的带电作业检测、系统及终端设备 | |
| CN115686963A (zh) | 一种服务器兼容性测试方法及装置 | |
| CN101282419B (zh) | 一种自动坏点检测方法与设备 | |
| CN113096111A (zh) | 物料检测方法、系统、计算机程序产品及可读存储介质 | |
| KR101525915B1 (ko) | 대상물 정보제공시스템 및 대상물 정보제공장치와 대상물 정보제공방법 | |
| CN113032272A (zh) | 自动泊车系统试验评价方法、装置、设备及存储介质 | |
| CN110441714B (zh) | 指示灯的检测方法、装置及计算机可读存储介质 | |
| CN112085724A (zh) | 一种基于bim及热图像的机柜温度测量方法及其装置 | |
| CN109308235B (zh) | 点检方法及相关装置 | |
| JP2021060888A (ja) | 設備工事の検査方法、および設備工事の検査システム | |
| CN115052337A (zh) | 一种基于AI-Beacon新型智能头戴式终端巡检系统 | |
| CN113989743A (zh) | 垃圾满溢检测方法、检测设备及系统 | |
| KR102101237B1 (ko) | 링거수액 이물질 비전검사 장치 및 그 방법 | |
| CN108363985B (zh) | 目标对象感知系统测试方法、装置及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231229 Address after: 518000 block a, Jingji 100 building, Caiwuwei, No. 5016, Shennan East Road, laowei community, Guiyuan street, Luohu District, Shenzhen, Guangdong, 2001-06 Patentee after: Shenzhen Xinrun Fulian Digital Technology Co.,Ltd. Patentee after: CITIC Corporation of China Patentee after: CITIC Dicastal Co.,Ltd. Address before: 518000 block a, Jingji 100 building, Caiwuwei, No. 5016, Shennan East Road, laowei community, Guiyuan street, Luohu District, Shenzhen, Guangdong, 2001-06 Patentee before: Shenzhen Xinrun Fulian Digital Technology Co.,Ltd. |