CN110197189A - 一种引信装配正确性检测方法和设备 - Google Patents

Abstract

本申请提供了一种引信装配正确性检测方法和设备，该方法包括：获取装配完成的引信对应的引信射线图；针对该引信射线图进行特征提取，获取N个特征图；将所述N个特征图输入到目标区域确定模型中；将目标区域确定模型中输出的目标区域信息，以及目标区域对应的特征图集合输入到分类识别模型中；其中，所述目标区域为引信射线图中关键部件对应的区域；根据分类识别模型输出的分类类别，以及预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确。该方法能够自动、高效地检测引信装配正确与否。

Description

一种引信装配正确性检测方法和设备

技术领域

本发明涉及图像处理技术领域，特别涉及一种引信装配正确性检测方法和设备。

背景技术

引信是任何弹药不可缺少的部件，它质量的好坏直接关系着弹药的效能，而影响其质量的一个重要因素是其装配的正确性。

目前国内大多引信制造厂采用传统引信装配检测方法，即工业电视检测法，需要人为观察与判断，因此，检测结果受人为因素影响较大。

随着图像处理和图像识别技术在无损检测领域的发展和应用，许多引信制造厂开始使用基于图像处理与识别技术的数字检测方法。

该类技术与传统检测方法相比初步具备与满足自动检测的功能与需求，但是现有实现的正确性检测方法由于其算法鲁棒性不高，对图像质量要求严格，进而对机械与成像部件的精确度要求严苛，故***稳定性难以保证，检测精确性也难以保证。

发明内容

有鉴于此，本申请提供一种引信装配正确性检测方法和设备，能够自动、高效地检测引信装配正确与否。

为解决上述技术问题，本申请的技术方案是这样实现的：

一种引信装配正确性检测方法，该方法包括：

获取装配完成的引信对应的引信射线图；

针对该引信射线图进行特征提取，获取N个特征图；

将所述N个特征图输入到目标区域确定模型中；

将目标区域确定模型中输出的目标区域信息，以及目标区域对应的特征图集合输入到分类识别模型中；其中，所述目标区域为引信射线图中关键部件对应的区域；

根据分类识别模型输出的分类类别，以及预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确。

一种引信装配正确性检测设备，该设备包括：

获取单元，用于获取装配完成的引信对应的引信射线图；

提取单元，用于针对所述获取单元获取的引信射线图进行特征提取，获取N个特征图；

目标区域确定单元，用于将所述提取单元获取的N个特征图输入到目标区域确定模型中；

分类识别单元，用于将所述目标区域确定单元中目标区域确定模型中输出的目标区域信息，以及目标区域对应的特征图集合输入到分类识别模型中；其中，所述目标区域为引信射线图中关键部件对应的区域；

确定单元，用于根据所述分类识别单元中分类识别模型输出的分类类别，以及预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确。

由上面的技术方案可知，本申请中通过预先建立目标区域确定模型和分类识别模型，通过对装配射线图进行特征提取，以及目标区域确定和分类识别，并通过预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确，能够自动、高效地检测引信装配正确与否。

附图说明

图1为本申请实施例中使用的卷积神经网络结构示意图；

图2为本申请实施例中目标区域确定模型建立示意图；

图3为本申请实施例中识别模型建立示意图；

图4为本申请实施例中引信装配正确性检测流程示意图；

图5为本申请实施例中应用于上述技术的设备结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图并举实施例，对本发明的技术方案进行详细说明。

本申请实施例中提供一种引信装配正确性检测方法，通过预先建立目标区域确定模型和分类识别模型，通过对装配射线图进行特征提取，以及目标区域确定和分类识别，并通过预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确，能够自动、高效地检测引信装配正确与否。

本申请实施例中进行实际测试之前，需要建立两个模型，分别为目标区域确定模型和分类识别模型，下面分别详细描述两个模型的建立过程：

针对目标区域确定模型的建立过程：

第一步、获取M个引信射线图，对每个引信射线图中的引信关键部件作为一个区域进行标定，将标定区域的M个引信射线图作为样本，用于进行目标区域模型的建立。

为了保证对各个角度的引信射线图中的关键引信部件，以及不同角度下相互遮挡的关键引信部件进行有效的识别，选取多角度的射线图像进行训练，即选取装配正确的引信，利用射线成像***对引信进行360度成像，获取引信射线图。

第二步、针对每个引信射线图进行特征提取，获取N个特征图。

在针对该引信射线图进行特征提取时，使用卷积神经网络结构；

其中，其中，所述卷积神经网络结构包括：一个输入层和五个卷积结构构成，其中，所述五个卷积结构分别为第一级卷积结构、第二级卷积结构、第三级卷积结构、第四级卷积及结构和第五级卷积结构，所述第一级卷积结构和第二级卷积结构分别包括两个卷积层、两个激活层和一个池化池；所述第三级卷积结构和第四级包括三个卷积层、三个激活层和一个池化池；所述第五级卷积结构包括：三个卷积层和三个激活层。

参见图1，图1为本申请实施例中使用的卷积神经网络结构示意图。

图1中的输入层利用图像映射将不同尺寸的引信射线图缩放到同一尺寸，以方便后续处理；

其中，第一级卷积结构包括的两个卷积层、两个激活层和一个池化池的分布具体为：卷积层、激活层、卷积层、激活层和池化池；

第二级卷积结构包括的两个卷积层、两个激活层和一个池化池的分布具体为：卷积层、激活层、卷积层、激活层和池化池；

第三级卷积结构包括的三个卷积层、三个激活层和一个池化池的具体分布为：卷积层、激活层、卷积层、激活层、卷积层、激活层和池化池；

第四级卷积结构包括的三个卷积层、三个激活层和一个池化池的具体分布为：卷积层、激活层、卷积层、激活层、卷积层、激活层和池化池；

第五级卷积结构包括的三个卷积层和三个激活层，具体分布为：卷积层、激活层、卷积层、激活层、卷积层和激活层。

在上述结构中，卷积层采用same padding技术；为了保证该层输入输出维度相同；

所述激活层采取sigmoid作为激活函数；该层采用影响函数较小的sigmoid作为激活函数，以减少对引信射线图中特征的影响；

所述池化层采用最大池化方式池化。

基于上述结构，进行特征提取的过程，简要描述如下：

引信射线图进入输入层，利用图像映射将不同尺寸的引信射线图缩放到统一尺寸，以方便后续处理；之后，进过各级卷积结构的处理，依次提取引信射线图像中的各级特征，特征由简单到复杂，通过各层间的参数共享及向后传播，逐渐将引信关键部件的简单纹理与边缘特征组合成具有结构信息的复杂特征。为保证特征的有效完整的提取以及方便向后传播算法的实现，采取same padding技术对各层级的输出进行处理，保留输出的边缘信息，并采用特征映射结构采用影响函数较小的sigmoid函数作为卷积网络的激活函数。

第三步，将每个标定区域的射线引信图，以及对应的N个特征图作为输入样本，将目标区域信息，以及目标区域对应的特征图集合作为输出，使用RPN网络进行训练，建立目标区域确定模型。

其中，M、N为大于1的整数。

在使用RPN网络进行训练时，按照预设滑动窗遍历特征图，以滑动窗中点为中心，按照预设规则确定关键部件的可能区域，并对可能区域进行分类，从中分类出前景区域；

将分类出的前景区域映射到引信射线图中，结合标定区域确定目标区域。

在建立目标区域确定模型时，通过特征图确定目标区域，并与人工标定的区域进行对比进行结果修正，以训练建立能够输出正确目标区域信息的目标区域确定模型。

参见图2，图2为本申请实施例中目标区域确定模型建立示意图。

图2中将特征图和标定区域的引信射线图首先经过一层卷积层与激活层的处理，输出分别进入区域提取模块与区域修正模块。

区域提取模块中，单元卷积层计算出关键部件可能区域。为保证可能区域能够覆盖图像各个尺度与范围，采取2:1与1:2的长宽比的九种尺寸，即每一点计算出关键部件的九个可能区域。由于引信的关键部件只应出现在图像的前景区域，利用softmax层对可能区域进行分类，从中分类出前景区域以减少可能区域的数量。

区域修正模块中，采用bounding box regression方法对可能区域进行位置修正，得到精确的区域，proposal层通过对候选的前景区域进行映射，映射到原始引信射线图，综合原图边界条件与softmax层的输出得到引信关键零件出现的期待区域作为目标区域并输出，同时还需输出目标区域对应的特征图集合。

针对分类识别模型的建立过程：

将区域确定模型输出的目标区域信息，以及目标区域对应的特征图集合作为输入样本，并配置每个期待区域对应的引信射线图对应的分类类别，进行基于深度学习的训练，建立能够输出分类类别的分类识别模型。

分类识别模型输出分类类别时，所述方法进一步包括：

输出并显示目标区域。

参见图3，图3为本申请实施例中识别模型建立示意图。图3中，将目标区域确定模型输出的目标区域信息和目标区域对应的特征图集合作为输入，区域池化模块采用ROIPpooling技术收集输入信息。通过区域池化单元处理后，通过全连接模块(包括全连接层、激活层、全连接层和激活层)进行处理，区域输出模块包含一个全连接层；分类输出模块包含一个全连接层与一个softmax层；目标区域特征平面集通过全连接单元与区域输出模块输出所识别关键部件所在区域；目标区域特征平面集通过全连接单元与分类输出模块输出所识别的分类类别。

分类类别包括：关键零件缺失、装配位置错误、装配正确；

预先配置的分类类别与正确和错误装配的对应关系，包括：关键零件缺失、装配位置错误与错误装配对应；所述装配正确与正确装配相对应。

当目标区域确定模型，以及分类识别模型建立完成后，可以针对引信装配是否正确进行检测，具体如下：

参见图4，图4为本申请实施例中引信装配正确性检测流程示意图。具体步骤为：

步骤401，检测设备获取装配完成的引信对应的引信射线图。

步骤402，该检测设备针对该引信射线图进行特征提取，获取N个特征图。

本步骤中进行特征提取的过程同建立目标区域确定模型时特征提取过程，这里不再一一赘述。

步骤403，该检测设备将所述N个特征图输入到目标区域确定模型中。

在具体实现时，可以使用检测设备来建立目标区域确定模型，也可以使用其他设备建立目标区域确定模型，检测设备直接使用该模型即可。

步骤404，该检测设备将目标区域确定模型中输出的目标区域信息，以及目标区域对应的特征图集合输入到分类识别模型中；其中，所述目标区域为引信射线图中关键部件对应的区域。

在具体实现时，可以使用检测设备来建立分类识别模型，也可以使用其他设备建立分类识别模型，检测设备直接使用该模型即可。

步骤405，根据分类识别模型输出的分类类别，以及预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确。

在具体实现时，还可以增加输出目标区域，以及确定的分类类别的输出，以便管理人员进行相关信息的查看。

本申请实施例中还提供一种引信装配正确性检测设备。参见图5，图5为本申请实施例中应用于上述技术的设备结构示意图。该设备包括：

获取单元501，用于获取装配完成的引信对应的引信射线图；

提取单元502，用于针对获取单元501获取的引信射线图进行特征提取，获取N个特征图；

目标区域确定单元503，用于将提取单元502获取的N个特征图输入到目标区域确定模型中；

分类识别单元504，用于将目标区域确定单元503中目标区域确定模型中输出的目标区域信息，以及目标区域对应的特征图集合输入到分类识别模型中；其中，所述目标区域为引信射线图中关键部件对应的区域；

确定单元505，用于根据分类识别单元504中分类识别模型输出的分类类别，以及预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确。

其中，所述目标区域确定模型的建立，包括：

获取M个引信射线图，对每个引信射线图中的所有关键部件作为一个区域进行标定；

针对每个引信射线图进行特征提取，获取N个特征图；

将每个标定区域的射线引信图，以及对应的N个特征图作为输入样本，将目标区域信息，以及目标区域对应的特征图集合作为输出，使用RPN网络进行训练，建立目标区域确定模型。

其中，

所述分类识别模型的建立，包括：

将区域确定模型输出的目标区域信息，以及目标区域对应的特征图集合作为输入样本，并配置每个期待区域对应的引信射线图对应的分类类别，进行基于深度学习的训练，建立能够输出分类类别的分类识别模型。

上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。

综上所述，本申请通过预先建立目标区域确定模型和分类识别模型，通过对装配射线图进行特征提取，以及目标区域确定和分类识别，并通过预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确，能够自动、高效地检测引信装配正确与否。

与现有技术相比，该检测***操作简便，检测速率快，检测精度高；操作人员只需经过一次标定就可以完成***神经网络模型的训练，在检测过程中，全程无需人工介入操作。在检测不同结构类别的引信时，只需重新训练模型便能在新的被测引信上使用。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种引信装配正确性检测方法，其特征在于，该方法包括：

获取装配完成的引信对应的引信射线图；

针对该引信射线图进行特征提取，获取N个特征图；

将所述N个特征图输入到目标区域确定模型中；

将目标区域确定模型中输出的目标区域信息，以及目标区域对应的特征图集合输入到分类识别模型中；其中，所述目标区域为引信射线图中关键部件对应的区域；

根据分类识别模型输出的分类类别，以及预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确。

2.根据权利要求1所述的方法，其特征在于，所述针对该引信射线图进行特征提取时，使用卷积神经网络结构；

其中，所述卷积神经网络结构包括：一个输入层和五个卷积结构构成，其中，所述五个卷积结构分别为第一级卷积结构、第二级卷积结构、第三级卷积结构、第四级卷积及结构和第五级卷积结构，所述第一级卷积结构和第二级卷积结构分别包括两个卷积层、两个激活层和一个池化池；所述第三级卷积结构和第四级包括三个卷积层、三个激活层和一个池化池；所述第五级卷积结构包括：三个卷积层和三个激活层。

3.根据权利要求2所述的方法，其特征在于，

所述输入层利用图像映射将不同尺寸的引信射线图缩放到同一尺寸；

所述卷积层采用same padding技术；

所述激活层采取sigmoid作为激活函数；

所述池化层采用最大池化方式池化。

4.根据权利要求1所述的方法，其特征在于，

所述分类类别包括：关键零件缺失、装配位置错误、装配正确；

所述预先配置的分类类别与正确和错误装配的对应关系，包括：关键零件缺失、装配位置错误与错误装配对应；所述装配正确与正确装配相对应。

5.根据权利要求1-4任一项所述的方法，其特征在于，

所述目标区域确定模型的建立，包括：

获取M个引信射线图，对每个引信射线图中的所有关键部件作为一个区域进行标定；

针对每个引信射线图进行特征提取，获取N个特征图；

将每个标定区域的射线引信图，以及对应的N个特征图作为输入样本，将目标区域信息，以及目标区域对应的特征图集合作为输出，使用RPN网络进行训练，建立目标区域确定模型。

6.根据权利要求5所述的方法，其特征在于，

所述分类识别模型的建立，包括：

将区域确定模型输出的目标区域信息，以及目标区域对应的特征图集合作为输入样本，并配置每个期待区域对应的引信射线图对应的分类类别，进行基于深度学习的训练，建立能够输出分类类别的分类识别模型。

7.根据权利要求1-4任一项所述的方法，其特征在于，分类识别模型输出分类类别时，所述方法进一步包括：

输出并显示目标区域。

8.一种引信装配正确性检测设备，其特征在于，该设备包括：

获取单元，用于获取装配完成的引信对应的引信射线图；

提取单元，用于针对所述获取单元获取的引信射线图进行特征提取，获取N个特征图；

目标区域确定单元，用于将所述提取单元获取的N个特征图输入到目标区域确定模型中；

分类识别单元，用于将所述目标区域确定单元中目标区域确定模型中输出的目标区域信息，以及目标区域对应的特征图集合输入到分类识别模型中；其中，所述目标区域为引信射线图中关键部件对应的区域；

确定单元，用于根据所述分类识别单元中分类识别模型输出的分类类别，以及预先配置的分类类别与正确和错误装配的对应关系确定该引信射线图对应的引信装配是否正确。

9.根据权利要求8所述的装置，其特征在于，所述目标区域确定模型的建立，包括：

获取M个引信射线图，对每个引信射线图中的所有关键部件作为一个区域进行标定；

针对每个引信射线图进行特征提取，获取N个特征图；

将每个标定区域的射线引信图，以及对应的N个特征图作为输入样本，将目标区域信息，以及目标区域对应的特征图集合作为输出，使用RPN网络进行训练，建立目标区域确定模型。

10.根据权利要求9所述的装置，其特征在于，所述分类识别模型的建立，包括：

将区域确定模型输出的目标区域信息，以及目标区域对应的特征图集合作为输入样本，并配置每个期待区域对应的引信射线图对应的分类类别，进行基于深度学习的训练，建立能够输出分类类别的分类识别模型。