【技術實現步驟摘要】
本專利技術涉及質檢技術，尤其涉及基于機器視覺的模具板件質量檢測方法及系統。
技術介紹
1、模具是工業生產中不可或缺的關鍵工具,其質量直接影響生產效率和產品質量。模具板件作為模具的核心組成部分,其質量檢測對于保證模具性能和延長使用壽命至關重要。傳統的模具板件質量檢測主要依賴人工目視檢查,存在檢測效率低、準確性差、易受主觀因素影響等問題,已難以滿足現代工業生產的高質量、高效率要求。
2、為了克服人工檢測的局限性,機器視覺技術被引入到模具板件質量檢測領域。機器視覺通過將計算機視覺算法與工業相機、光源等硬件設備相結合,實現了模具板件缺陷的自動化檢測。早期的機器視覺檢測系統主要采用傳統的圖像處理算法,如閾值分割、邊緣檢測、形態學操作等,對模具板件表面的缺陷進行檢測和識別。
3、然而,傳統的基于圖像處理的機器視覺檢測方法在應對復雜背景、多種缺陷類型以及缺陷尺寸和形態差異等問題時,存在一定的局限性。
技術實現思路
1、本專利技術實施例提供基于機器視覺的模具板件質量檢測方法及系統，能夠解決現有技術中的問題。
2、本專利技術實施例的第一方面，
3、提供基于機器視覺的模具板件質量檢測方法，包括：
4、基于條件生成對抗網絡的數據增強方法構建缺陷檢測數據集，通過defect-resnet網絡對模具板件的缺陷區域進行檢測；
5、對所述模具板件的缺陷區域進行預處理，以缺陷區域中的缺陷像素為種子點，設定生長準則，不斷將相鄰的滿足所述生長準則
6、對所述分割后的缺陷區域提取輪廓，得到由輪廓點坐標構成的輪廓矩陣；通過旋轉卡殼算法，在輪廓矩陣中查找面積最小的外接矩形，并計算所述外接矩形的四個頂點坐標；通過對角線交點坐標計算公式，求取外接矩形的中心坐標作為缺陷區域的位置坐標。
7、在一種可選的實施方式中，
8、所述條件生成對抗網絡包括生成器和判別器，
9、所述生成器包括編碼器和解碼器，所述編碼器通過卷積和下采樣操作提取圖像的高級語義特征，解碼器通過反卷積和上采樣操作將特征映射回原始圖像尺寸；
10、所述判別器采用patchgan架構，用于將輸入圖像劃分為多個局部區域，對每個區域進行真假判斷，最終將所有區域的判別結果平均得到整張圖像的真假概率；
11、所述生成器和判別器交替優化，所述生成器最小化生成圖像與真實圖像的差異以及最大化判別器對生成圖像的真實概率，所述判別器最大化對真實圖像的真實概率，最小化對生成圖像的真實概率。
12、在一種可選的實施方式中，
13、在所述defect-resnet網絡的殘差塊中引入了注意力機制，所述注意力機制包括通道注意力和空間注意力兩個部分；
14、所述通道注意力自適應地調整不同通道的權重，給定所述defect-resnet網絡的殘差塊的輸入特征圖，通過全局平均池化得到通道描述符，其中 r表示缺陷區域， c表示通道數， h和 w分別表示特征圖的高度和寬度，通過若干全連接層和sigmoid激活函數，生成通道權重向量，所述權重向量s的計算公式為：
15、
16、其中，和為全連接層的權重矩陣，表示relu激活函數，表示sigmoid激活函數，通過將通道權重向量與輸入特征圖相乘，得到通道注意力加權后的特征圖；
17、所述空間注意力通過生成空間位置的權重矩陣，突出缺陷區域在空間上的顯著性；將輸入特征圖在通道維度上進行最大池化和平均池化，得到兩個空間描述符和，將兩個空間描述符拼接，并通過一個卷積層和sigmoid激活函數，生成空間權重矩陣，所述空間權重矩陣的計算公式為
18、
19、其中，表示3x3的卷積操作，通過將空間權重矩陣m與輸入特征圖x相乘，得到空間注意力加權后的特征圖；
20、通過將通道注意力和空間注意力相結合，得到最終的注意力加權特征圖，所述注意力加權特征圖的計算公式為：
21、。
22、在一種可選的實施方式中，
23、在所述defect-resnet網絡的第二個、第三個和第四個殘差塊組的輸出特征圖上，分別通過1x1卷積調整通道數，得到三個不同尺度的特征圖、和，其中、和分別為對應殘差塊組的輸出通道數，將和的尺寸放大到與相同，得到和；將三個尺度的特征圖在通道維度上拼接，并通過一個3x3卷積進行特征融合，得到最終的多尺度融合特征圖。
24、在一種可選的實施方式中，
25、在所述defect-resnet網絡末尾引入金字塔池化模塊，所述金字塔池化模塊將輸入特征圖通過四個并行的池化分支進行處理，第一個分支使用全局平均池化，得到尺寸為1x1的特征圖，用于表示全局信息；第二、三、四個分支分別使用尺寸為2x2、3x3和6x6的自適應平均池化，得到不同尺度的特征圖、和，用于表示不同感受野的局部信息；通過上采樣操作將、、、的尺寸還原到與輸入特征圖相同，并在通道維度上進行拼接，得到金字塔池化后的特征圖；
26、在所述defect-resnet網絡中引入特征金字塔網絡，通過自頂向下的特征傳播和橫向連接并構建多尺度的特征金字塔。
27、在一種可選的實施方式中，
28、根據缺陷區域的尺度特點，自適應地選擇結構元素的大小和形狀，通過連通區域分析，提取出初步的缺陷區域，并計算每個區域的等效直徑；根據等效直徑大小，將缺陷區域劃分為小、中、大三個尺度級別；
29、根據所述缺陷區域的尺度級別選擇對應的結構元素，分別進行形態學開運算和閉運算；
30、以所述缺陷區域為中心，提取所述缺陷區域的局部鄰域窗口；在每個局部窗口內，計算圖像灰度的歸一化直方圖，并根據直方圖計算局部熵值；
31、根據局部熵值的大小，自適應地調整局部窗口內像素的灰度對比度；對于給定的局部鄰域窗口 w(i,j)，其中 (i,j)表示窗口中心像素的坐標，局部熵的計算公式如下：
32、
33、其中， h(i，?j)表示以像素 (i，?j)為中心的局部鄰域窗口的熵值，l表示圖像的灰度級數，表示在局部窗口 w(i,j)內，灰度級為k的像素出現的概率；
34、對于局部鄰域窗口 w(i,j)，其對比度增強系數的計算公式為：
35、
36、其中，和分別表示整個圖像中局部熵的最大值和最小值；和分別表示預設的最大和最小對比度增強系數；對于窗口內的每個像本文檔來自技高網...
【技術保護點】
1.基于機器視覺的模具板件質量檢測方法，其特征在于，包括：
2.根據權利要求1中所述的方法，其特征在于，所述條件生成對抗網絡包括生成器和判別器，
3.根據權利要求1中所述的方法，其特征在于，在所述Defect-ResNet網絡的殘差塊中引入了注意力機制，所述注意力機制包括通道注意力和空間注意力兩個部分；
4.根據權利要求3中所述的方法，其特征在于，在所述Defect-ResNet網絡的第二個、第三個和第四個殘差塊組的輸出特征圖上，分別通過1x1卷積調整通道數，得到三個不同尺度的特征圖、和，其中、和分別為對應殘差塊組的輸出通道數，將和的尺寸放大到與相同，得到和；將三個尺度的特征圖在通道維度上拼接，并通過一個3x3卷積進行特征融合，得到最終的多尺度融合特征圖。
5.根據權利要求4中所述的方法，其特征在于，
6.根據權利要求1中所述的方法，其特征在于，
7.根據權利要求6中所述的方法，其特征在于，
8.根據權利要求1中所述的方法，其特征在于，
9.基于機器視覺的模具板件質量檢測系統，用于實現
10.一種電子設備，其特征在于，包括：
...【技術特征摘要】
1.基于機器視覺的模具板件質量檢測方法，其特征在于，包括：
2.根據權利要求1中所述的方法，其特征在于，所述條件生成對抗網絡包括生成器和判別器，
3.根據權利要求1中所述的方法，其特征在于，在所述defect-resnet網絡的殘差塊中引入了注意力機制，所述注意力機制包括通道注意力和空間注意力兩個部分；
4.根據權利要求3中所述的方法，其特征在于，在所述defect-resnet網絡的第二個、第三個和第四個殘差塊組的輸出特征圖上，分別通過1x1卷積調整通道數，得到三個不同尺度的特征圖、和，其中、和分別為對應殘差...
【專利技術屬性】
技術研發人員：戴元國，
申請(專利權)人：寧波興波機械有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。