CN116958049A - 一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 - Google Patents
一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 Download PDFInfo
- Publication number
- CN116958049A CN116958049A CN202310713163.3A CN202310713163A CN116958049A CN 116958049 A CN116958049 A CN 116958049A CN 202310713163 A CN202310713163 A CN 202310713163A CN 116958049 A CN116958049 A CN 116958049A
- Authority
- CN
- China
- Prior art keywords
- images
- defect
- binary images
- binary
- channels
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 73
- 239000003973 paint Substances 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000010587 phase diagram Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000000576 coating method Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000028571 Occupational disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质,该方法包括以下步骤:S1:获取待测车身的图像数据;S2:对图像数据进行处理,得到Hbx和Vbx;S3:利用灰度分层二值化对图像H1和V1做二值化,得到二值图像Hb和Vb;S4:提取二值图像Hb和Vb最大的前景区域,利用连通域分析,得到二值图像中面积最大的连通域,并将面积最大的标签以外的区域置0,得到mask图像;S5:缺陷分割网络的数据输入处理;S6:缺陷二值分割网络的网络构建;S7:二值分割图的缺陷定位处理;S8:通过神经网络推理预测缺陷类型。该存储介质用来存储执行上述方法的计算机程序。本发明具有原理简单、检测精度好、检测效率高等优点。
Description
技术领域
本发明主要涉及到汽车车身生产制造智能技术领域,特指一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质。
背景技术
涂装工艺是汽车车身生产制造中的重要环节,它通过在车体表面喷涂油漆而提高车身的防锈耐腐性以及汽车的观感。由于车身涂装是一项高精度、高难度的工作,工艺质量往往受到涂料质量、涂装环境、喷涂工艺等因素影响。车身漆面会在一定概率上产生污渍、划痕、喷涂不均匀的橘皮、漆面下气泡或颗粒等漆面不合格的漆面纹理。所以,车身漆面缺陷检测是生产环节中非常重要的一环。
目前,传统的汽车车身漆面缺陷检测主要是通过人工方式来完成。该环节中,相关具有经验的工作人员借助特殊光源,通过人眼和触摸的方式排查整台车的漆面,发现缺陷后在相关位置用马克笔圈标注。该过程明显效率不高,且依赖于工作人员的经验,还很容易让工作人员得职业病。尤其是不适合大规模、智能化、高效的流水线作业。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、检测精度好、检测效率高的基于深度学习的汽车漆面缺陷自动检测方法及存储介质。
为解决上述技术问题,本发明采用以下技术方案:
一种基于深度学习的汽车漆面缺陷自动检测方法,其包括:
步骤S1:获取待测车身的图像数据;水平绝对相位图H1、垂直绝对相位图V1;
步骤S2:对图像数据进行处理,得到灰度梯度变化剧烈的单个噪声点mask图像Hbx(Vbx);
步骤S3:利用灰度分层二值化的方式对图像H1(V1)做二值化,得到二值图像Hb(Vb);
步骤S4:提取二值图像Hb(Vb)最大的前景区域,利用连通域分析,得到二值图像中面积最大的连通域,并将面积最大的标签以外的区域置0,更新二值图像Hb(Vb),即为前景区域的mask图像;利用mask图像,将图像H1(V1)的mask等于0的区域置0,即完成图像H1(V1)最大前景区域的提取,更新图像H1(V1);
步骤S5:缺陷分割网络的数据输入处理;
步骤S6:缺陷二值分割网络的网络构建;
步骤S7:二值分割图的缺陷定位处理,通过连通域分析标注各个缺陷位置的roi区域,得到缺陷定位的list表;
步骤S8:结合缺陷定位的list表,提取每个缺陷位置的roi坐标,使用神经网络的输入图像Ni的roi区域作为缺陷分类网络的输入,然后通过神经网络推理预测缺陷类型。
作为本发明方法的进一步改进:所述步骤S1中,获取由16步相移加三频外差得到的水平绝对相位图H1、垂直绝对相位图V1。
作为本发明方法的进一步改进:所述步骤S2中,利用拉普拉斯变换清理水平绝对相位图H1和垂直绝对相位图V1中灰度梯度变化剧烈的单个噪声点,得到灰度梯度变化剧烈的单个噪声点mask图像Hbx(Vbx)。
作为本发明方法的进一步改进:所述步骤S5中采用(H1,V1,(H1+V1)/2)的三通道作为网络的输入图像Ni,归一化大小为768×768。
作为本发明方法的进一步改进:所述步骤S6中采用类似Unet的网络结构、encode特征提取网络由vgg网络改造而来,命名Feature_block,decode特征解析模块命名concatBlock;卷积层convLayer(In,out,kenel×kenel)、采样层Maxpooling(In,out,kenel×kenel,stride),kenel表示核的大小,stride表示步长。
作为本发明方法的进一步改进:所述步骤S2的流程包括:
步骤S201:对绝对相位图做拉普拉斯变换,即使用[[0,1,0],[1,-4,1],[0,1,0]]卷积核对水平绝对相位图H1、垂直绝对相位图V1做卷积,得到梯度图像Hl1和Vl1;
步骤S202:对梯度图像Hl1和Vl1做绝对值处理,然后利用预设的阈值Ts做二值化,得到二值图像Hb1和Vb1;接着对二值图像进行闭运算,更新二值图像Hb1和Vb1;
步骤S203:以二值图像Hb1和Vb1为mask图像,生成同样大小、初始化为0的mask图像Hb2(Vb2),使用算子[[0,0,0],[0,1,0],[0,0,0]]判断二值图像中每个点是否为孤立噪点,如果是,则相应图像Hb2(Vb2)坐标位置值置1。
作为本发明方法的进一步改进:所述步骤S3的流程包括:
步骤S301:设置阈值T1<T2,以阈值T1对水平绝对相位图H1、垂直绝对相位图V1做二值化,得到二值图像Hb1和Vb1,保留低灰度区域的缺陷区域;以阈值T2对图像H1和V1做二值化,得到二值图像Hb2和Vb2,保留高灰度区域的缺陷区域;
步骤S302:二值图像Hb1、Vb1、Hb2、Vb2合并,Hb3(Vb3)=Hb2(Vb2)-Hb1(Vb1),然后利用3×3的矩阵对二值图像Hb3和Vb3做二值图像做膨胀处理,更新二值图像Hb3和Vb3;利用二值图像Hb3和Vb3与二值图像Hb2和Vb2做图像与操作,得到二值图像Hb4和Vb4;再用二值图像Hb4和Vb4作为mask图像,在mask图像为1的位置将图像Hb2和Vb2设置为0,然后对二值图像进行非操作,得到二值图像Hb和Vb。
作为本发明方法的进一步改进:所述步骤S8中,所述神经网络的推断过程包括:
步骤S801:将输入的4通道图像经过输入层convLayer(3,16,5×5),得到32通道的特征图A0;
步骤S802:将16通道的特征图A0经过采样层Maxpooling(16,16,2×2,2),得到16通道的特征图A1;
步骤S803:将16通道的特征图A1像经过输入层convLayer(16,32,5×5),得到32通道的特征图A2;
步骤S804:将32通道的特征图A2经过采样层Maxpooling(32,32,2×2,2),得到32通道的特征图A3;
步骤S805:将32通道的特征图A3像经过输入层convLayer(32,64,5×5),得到64通道的特征图A4;
步骤S806:将64通道的特征图A4经过采样层Maxpooling(64,64,2×2,2),得到64通道的特征图A5;
步骤S807:将64通道的特征图A4经过全连接层FC+relu(1024,512),得到512维特征向量;
步骤S808:将512维特征向量经过全连接层FC(512,4)+softmax层,得到缺陷类别的推断概率,其中,最大的概率就是数据在模型中的预测结果,即为缺陷分类结果。
本发明进一步提供一种存储介质,所述存储介质为计算机可读取的介质,用于存储计算机程序,所述计算机程序在计算机上运行时执行上述任意一项所述方法的步骤。
与现有技术相比,本发明的优点就在于:
1、本发明的基于深度学习的汽车漆面缺陷自动检测方法及存储介质,通过深度学习方法检测定位漆面缺陷、缺陷分类,方法效率、准确率优于人工,提高了车企产线自动化程度。
2、本发明的基于深度学习的汽车漆面缺陷自动检测方法及存储介质,漆面缺陷检测与分类的方案,结合偏折术漆面成像的优势,相比于容易反光、过曝等的传统2D成像,具有更稳定的缺陷特征提取、定位分割、分类的特色。
3、本发明的基于深度学习的汽车漆面缺陷自动检测方法及存储介质,包括缺陷二值定位分割网络、缺陷分类网络,两个网络的设计兼顾了效率、性能的需求,即在保证了实时检测的节拍需求,又能准确的分类缺陷类型;本发明并未采用语义分割的形式分类缺陷,目的在于将分割定位、分类的任务独立开来,减轻各个网络的压力的同时,使两个网络目的性更明确,提升整体效能。
4、本发明的基于深度学习的汽车漆面缺陷自动检测方法及存储介质,结合传统图像算法、深度学习的各自优势,保证了方法中各个处理环节的各自任务需求,可以使方法实际应用中稳定可控。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中得到的水平绝对相位图H1。
图3是本发明在具体应用实例中得到的垂直绝对相位图V1。
图4是本发明在具体应用实例中更新后的水平绝对相位图H1。
图5是本发明在具体应用实例中更新后的垂直绝对相位图V1。
图6是本发明在具体应用实例中模型的原理示意图。
图7是本发明在具体应用实例中进行处理后二值分割图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1-图7所示,本发明的一种基于深度学习的汽车漆面缺陷自动检测方法,其流程包括:
步骤S1:获取待测车身的图像数据;水平绝对相位图H1、垂直绝对相位图V1;
在具体应用实例中,可以获取由16步相移加三频外差得到的水平绝对相位图H1、垂直绝对相位图V1。
步骤S2:对图像数据进行处理;
利用拉普拉斯变换清理水平绝对相位图H1和垂直绝对相位图V1中灰度梯度变化剧烈的单个噪声点,得到灰度梯度变化剧烈的单个噪声点mask图像Hbx(Vbx);
步骤S3:利用灰度分层二值化的方式对图像H1(V1)做二值化,得到二值图像Hb(Vb);
二值化的目的在于利用相位图的0-1均匀变化的趋势特性,通过灰度分层二值化处理,可以保留低灰度值的缺陷区域,得到二值图像Hb(Vb);
步骤S4:提取二值图像Hb(Vb)最大的前景区域,利用连通域分析,得到二值图像中面积最大的连通域,并将面积最大的标签以外的区域置0,更新二值图像Hb(Vb),即为前景区域的mask图像;利用mask图像,将图像H1(V1)的mask等于0的区域置0,即完成图像H1(V1)最大前景区域的提取,更新图像H1(V1);
步骤S5:缺陷分割网络的数据输入处理;
在具体应用实例中,本发明采用(H1,V1,(H1+V1)/2)的三通道作为网络的输入图像Ni,归一化大小为(768×768),采用此方式合并数据,主要是为了模型更为丰富的纹理信息,提高特征提取的有效性。
步骤S6:缺陷二值分割网络的网络构建;
在具体应用实例中,本发明采用类似Unet的网络结构、encode特征提取网络由vgg网络改造而来,命名Feature_block,decode特征解析模块命名concatBlock。卷积层convLayer(In,out,kenel×kenel)、采样层Maxpooling(In,out,kenel×kenel,stride),kenel表示核的大小,stride表示步长。
步骤S7:二值分割图的缺陷定位处理,通过连通域分析标注各个缺陷位置的roi区域,得到缺陷定位的list表;
步骤S8:结合缺陷定位的list表,提取每个缺陷位置的roi坐标,使用神经网络的输入图像Ni的roi区域作为缺陷分类网络的输入,然后通过神经网络推理预测缺陷类型。
在具体应用实例中,所述步骤S2的流程根据实际需要可以包括:
步骤S201:对绝对相位图做拉普拉斯变换,即使用[[0,1,0],[1,-4,1],[0,1,0]]卷积核对图像H1(或V1)做卷积,得到梯度图像Hl1(Vl1);
步骤S202:对梯度图像Hl1(Vl1)做绝对值处理,然后利用预设的阈值Ts做二值化,得到二值图像Hb1(Vb1);接着对二值图像进行闭运算(先膨胀后腐蚀),更新二值图像Hb1(Vb1);
步骤S203:以二值图像Hb1(Vb1)为mask图像,生成同样大小、初始化为0的mask图像Hb2(Vb2),使用算子[[0,0,0],[0,1,0],[0,0,0]]判断二值图像中每个点是否为孤立噪点,如果是,则相应图像Hb2(Vb2)坐标位置值置1。
在具体应用实例中,所述步骤S3的流程根据实际需要可以包括:
步骤S301:设置阈值T1<T2,以阈值T1对图像H1(V1)做二值化,得到二值图像Hb1(Vb1),保留低灰度区域的缺陷区域;以阈值T2对图像H1(V1)做二值化,得到二值图像Hb2(Vb2),保留高灰度区域的缺陷区域;
步骤S302:二值图像Hb1(Vb1)、Hb2(Vb2)合并,Hb3(Vb3)=Hb2(Vb2)-Hb1(Vb1),然后利用3×3的矩阵对二值图像Hb3(Vb3)做二值图像做膨胀处理,更新二值图像Hb3(Vb3);利用二值图像Hb3(Vb3)与二值图像Hb2(Vb2)做图像与操作,得到二值图像Hb4(Vb4);再用二值图像Hb4(Vb4)作为mask图像,在mask图像为1的位置将图像Hb2(Vb2)设置为0,然后对二值图像进行非操作,得到二值图像Hb(Vb)。
在具体应用实例中,所述步骤S8中,所述神经网络的推断过程包括:
步骤S801:将输入的4通道图像经过输入层convLayer(3,16,5×5),得到32通道的特征图A0;
步骤S802:将16通道的特征图A0经过采样层Maxpooling(16,16,2×2,2),得到16通道的特征图A1;
步骤S803:将16通道的特征图A1像经过输入层convLayer(16,32,5×5),得到32通道的特征图A2;
步骤S804:将32通道的特征图A2经过采样层Maxpooling(32,32,2×2,2),得到32通道的特征图A3;
步骤S805:将32通道的特征图A3像经过输入层convLayer(32,64,5×5),得到64通道的特征图A4;
步骤S806:将64通道的特征图A4经过采样层Maxpooling(64,64,2×2,2),得到64通道的特征图A5;
步骤S807:将64通道的特征图A4经过全连接层FC+relu(1024,512),得到512维特征向量;
步骤S808:将512维特征向量经过全连接层FC(512,4)+softmax层,得到缺陷类别的推断概率,其中,最大的概率就是数据在模型中的预测结果,即为缺陷分类结果。
在一个具体应用实例中,本发明上述过程中Feature_block网络结构描述如下:(输出通道数output_channel=512)。
输入层:convLayer(input_channel,output_channel/8,3×3)+relu |
convLayer(output_channel/8,output_channel/4,3×3)+relu |
convLayer(output_channel/4,output_channel/2,3×3)+relu |
convLayer(output_channel/2,output_channel,3×3)+batchnorm+relu |
convLayer(output_channel,output_channel,3×3)+relu |
concatBlock网络结构描述:(输出通道数input_channel1,input_channel2)
输入层:concatlayer(input_channel1,input_channel2) |
convLayer(input_channel1+input_channel2,output_channel,3×3))+batchnorm+relu |
convLayer(output_channel,output_channel,3×3))+batchnorm+relu |
分割网络结果描述如下:input_channel=3,output_channel=[64,128,256,512,1024],width=768,height=768。
通道二值分割网络推理得到结果,二值分割图Br,如图6和图7所示。
本发明进一步提供一种存储介质,该存储介质为计算机可读取的介质,用于存储计算机程序,所述计算机程序在计算机上运行时执行如上本发明所述方法的步骤。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,包括:
步骤S1:获取待测车身的图像数据;水平绝对相位图H1、垂直绝对相位图V1;
步骤S2:对图像数据进行处理,得到灰度梯度变化剧烈的单个噪声点mask图像Hbx和Vbx;
步骤S3:利用灰度分层二值化的方式对图像H1和V1做二值化,得到二值图像Hb和Vb;
步骤S4:提取二值图像Hb和Vb最大的前景区域,利用连通域分析,得到二值图像中面积最大的连通域,并将面积最大的标签以外的区域置0,更新二值图像Hb和Vb,即为前景区域的mask图像;利用mask图像,将图像H1和V1的mask等于0的区域置0,即完成图像H1和V1最大前景区域的提取,更新图像H1和V1;
步骤S5:缺陷分割网络的数据输入处理;
步骤S6:缺陷二值分割网络的网络构建;
步骤S7:二值分割图的缺陷定位处理,通过连通域分析标注各个缺陷位置的roi区域,得到缺陷定位的list表;
步骤S8:结合缺陷定位的list表,提取每个缺陷位置的roi坐标,使用神经网络的输入图像Ni的roi区域作为缺陷分类网络的输入,然后通过神经网络推理预测缺陷类型。
2.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S1中,获取由16步相移加三频外差得到的水平绝对相位图H1、垂直绝对相位图V1。
3.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S2中,利用拉普拉斯变换清理水平绝对相位图H1和垂直绝对相位图V1中灰度梯度变化剧烈的单个噪声点,得到灰度梯度变化剧烈的单个噪声点mask图像Hbx(Vbx)。
4.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S5中采用(H1,V1,(H1+V1)/2)的三通道作为网络的输入图像Ni,归一化大小为768×768。
5.根据权利要求1所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S6中采用类似Unet的网络结构、encode特征提取网络由vgg网络改造而来,命名Feature_block,decode特征解析模块命名concatBlock;卷积层convLayer(In,out,kenel×kenel)、采样层Maxpooling(In,out,kenel×kenel,stride),kenel表示核的大小,stride表示步长。
6.根据权利要求1-5中任意一项所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S2的流程包括:
步骤S201:对绝对相位图做拉普拉斯变换,即使用[[0,1,0],[1,-4,1],[0,1,0]]卷积核对水平绝对相位图H1、垂直绝对相位图V1做卷积,得到梯度图像Hl1和Vl1;
步骤S202:对梯度图像Hl1和Vl1做绝对值处理,然后利用预设的阈值Ts做二值化,得到二值图像Hb1和Vb1;接着对二值图像进行闭运算,更新二值图像Hb1和Vb1;
步骤S203:以二值图像Hb1和Vb1为mask图像,生成同样大小、初始化为0的mask图像Hb2(Vb2),使用算子[[0,0,0],[0,1,0],[0,0,0]]判断二值图像中每个点是否为孤立噪点,如果是,则相应图像Hb2(Vb2)坐标位置值置1。
7.根据权利要求1-5中任意一项所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S3的流程包括:
步骤S301:设置阈值T1<T2,以阈值T1对水平绝对相位图H1、垂直绝对相位图V1做二值化,得到二值图像Hb1和Vb1,保留低灰度区域的缺陷区域;以阈值T2对图像H1和V1做二值化,得到二值图像Hb2和Vb2,保留高灰度区域的缺陷区域;
步骤S302:二值图像Hb1、Vb1、Hb2、Vb2合并,Hb3(Vb3)=Hb2(Vb2)-Hb1(Vb1),然后利用3×3的矩阵对二值图像Hb3和Vb3做二值图像做膨胀处理,更新二值图像Hb3和Vb3;利用二值图像Hb3和Vb3与二值图像Hb2和Vb2做图像与操作,得到二值图像Hb4和Vb4;再用二值图像Hb4和Vb4作为mask图像,在mask图像为1的位置将图像Hb2和Vb2设置为0,然后对二值图像进行非操作,得到二值图像Hb和Vb。
8.根据权利要求1-5中任意一项所述的基于深度学习的汽车漆面缺陷自动检测方法,其特征在于,所述步骤S8中,所述神经网络的推断过程包括:
步骤S801:将输入的4通道图像经过输入层convLayer(3,16,5×5),得到32通道的特征图A0;
步骤S802:将16通道的特征图A0经过采样层Maxpooling(16,16,2×2,2),得到16通道的特征图A1;
步骤S803:将16通道的特征图A1像经过输入层convLayer(16,32,5×5),得到32通道的特征图A2;
步骤S804:将32通道的特征图A2经过采样层Maxpooling(32,32,2×2,2),得到32通道的特征图A3;
步骤S805:将32通道的特征图A3像经过输入层convLayer(32,64,5×5),得到64通道的特征图A4;
步骤S806:将64通道的特征图A4经过采样层Maxpooling(64,64,2×2,2),得到64通道的特征图A5;
步骤S807:将64通道的特征图A4经过全连接层FC+relu(1024,512),得到512维特征向量;
步骤S808:将512维特征向量经过全连接层FC(512,4)+softmax层,得到缺陷类别的推断概率,其中,最大的概率就是数据在模型中的预测结果,即为缺陷分类结果。
9.一种存储介质,其特征在于,所述存储介质为计算机可读取的介质,用于存储计算机程序,所述计算机程序在计算机上运行时执行上述权利要求1-8中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713163.3A CN116958049A (zh) | 2023-06-15 | 2023-06-15 | 一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713163.3A CN116958049A (zh) | 2023-06-15 | 2023-06-15 | 一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958049A true CN116958049A (zh) | 2023-10-27 |
Family
ID=88450202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310713163.3A Pending CN116958049A (zh) | 2023-06-15 | 2023-06-15 | 一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958049A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424709A (zh) * | 2015-11-20 | 2016-03-23 | 陕西科技大学 | 一种基于图像标记的水果表面缺陷检测方法 |
KR102336110B1 (ko) * | 2020-08-28 | 2021-12-06 | 박재완 | 딥러닝 모델을 이용한 가죽의 미세 불량 검사방법 |
CN113793343A (zh) * | 2021-08-23 | 2021-12-14 | 南昌航空大学 | 基于图像的缺陷定位分割方法、系统、终端及存储介质 |
CN113870236A (zh) * | 2021-10-09 | 2021-12-31 | 西北工业大学 | 一种基于深度学习算法的复合材料缺陷无损探伤方法 |
CN114280058A (zh) * | 2021-11-21 | 2022-04-05 | 郑州大学 | 一种基于光栅投影的耐火砖表面缺陷检测方法 |
CN115731220A (zh) * | 2022-11-30 | 2023-03-03 | 广州致景信息科技有限公司 | 坯布缺陷定位与分类方法、系统、设备及存储介质 |
-
2023
- 2023-06-15 CN CN202310713163.3A patent/CN116958049A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424709A (zh) * | 2015-11-20 | 2016-03-23 | 陕西科技大学 | 一种基于图像标记的水果表面缺陷检测方法 |
KR102336110B1 (ko) * | 2020-08-28 | 2021-12-06 | 박재완 | 딥러닝 모델을 이용한 가죽의 미세 불량 검사방법 |
CN113793343A (zh) * | 2021-08-23 | 2021-12-14 | 南昌航空大学 | 基于图像的缺陷定位分割方法、系统、终端及存储介质 |
CN113870236A (zh) * | 2021-10-09 | 2021-12-31 | 西北工业大学 | 一种基于深度学习算法的复合材料缺陷无损探伤方法 |
CN114280058A (zh) * | 2021-11-21 | 2022-04-05 | 郑州大学 | 一种基于光栅投影的耐火砖表面缺陷检测方法 |
CN115731220A (zh) * | 2022-11-30 | 2023-03-03 | 广州致景信息科技有限公司 | 坯布缺陷定位与分类方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
HUI KONG: "A Generalized Laplacian of Gaussian Filter for Blob Detection and Its Applications", 《IEEE TRANSACTIONS ON CYBERNETICS》, vol. 43, no. 6, 31 December 2013 (2013-12-31), pages 1719 - 1733 * |
李晓舟: "微小尺寸零件表面缺陷光学检测方法", 《兵 工 学 报》, vol. 32, no. 7, 31 July 2011 (2011-07-31), pages 872 - 877 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280823B (zh) | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 | |
Chen et al. | DCAM-Net: A rapid detection network for strip steel surface defects based on deformable convolution and attention mechanism | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
Liu et al. | A rail surface defect detection method based on pyramid feature and lightweight convolutional neural network | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN111323037B (zh) | 一种移动机器人新型骨架提取的Voronoi路径规划算法 | |
Tao et al. | Industrial weak scratches inspection based on multifeature fusion network | |
CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
CN107844739B (zh) | 基于自适应同时稀疏表示的鲁棒性目标追踪方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN112163636A (zh) | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 | |
Zhang et al. | Multi-scale defect detection of printed circuit board based on feature pyramid network | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
Mi et al. | Research on steel rail surface defects detection based on improved YOLOv4 network | |
Fan et al. | Deep convolutional neural networks for road crack detection: Qualitative and quantitative comparisons | |
Zhu et al. | An improved SegNet network model for accurate detection and segmentation of car body welding slags | |
CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
CN112419352B (zh) | 一种基于轮廓的小样本语义分割方法 | |
Yang et al. | Crack identification of automobile steering knuckle fluorescent penetrant inspection based on deep convolutional generative adversarial networks data enhancement | |
Xie et al. | A four-stage product appearance defect detection method with small samples | |
CN116958049A (zh) | 一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 | |
CN116385493A (zh) | 野外环境下多运动目标检测与轨迹预测方法 | |
Liu et al. | An end-to-end steel strip surface defects detection framework: considering complex background interference | |
Zhang et al. | Reading various types of pointer meters under extreme motion blur | |
You et al. | An improved u-net for nuclei semantic segmentation |
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 |