CN115587993A - 一种基于ai与机器视觉算法的口罩焊点缺陷检测方法 - Google Patents
一种基于ai与机器视觉算法的口罩焊点缺陷检测方法 Download PDFInfo
- Publication number
- CN115587993A CN115587993A CN202211293216.2A CN202211293216A CN115587993A CN 115587993 A CN115587993 A CN 115587993A CN 202211293216 A CN202211293216 A CN 202211293216A CN 115587993 A CN115587993 A CN 115587993A
- Authority
- CN
- China
- Prior art keywords
- roi
- model
- image
- welding spot
- mask
- 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
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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于AI与机器视觉算法的口罩焊点缺陷检测方法,属于口罩缺陷检测领域。在深度学习算法上,通过图像增强模型对原始相机采集的图像进行图像增强,使用目标检测模型将焊点ROI区域进行有效提取,进而输送给语义分割、分类模型进行焊点脏污、半焊点、打结等缺陷的检测;在传统机器视觉算法上,使用自主设计的SJDD1和SJDD2算法,对焊点ROI图像进行处理,检测是否存在毛刺、耳带超出、压穿等缺陷;最后综合五种算法的结果得到口罩焊点是否存在缺陷的结论,故算法具有极高的鲁棒性与准确性。本发明将深度学习算法与自主设计的传统机器视觉算法相结合,进行有效的口罩焊点缺陷检测;有效节省了算力以及耗时。
Description
技术领域
本发明涉及口罩缺陷检测技术领域,特别涉及一种基于AI与机器视觉算法的口罩焊点缺陷检测方法。
背景技术
近些年,人们对于口罩的需求持续不断且与日俱增。与此同时,为了有效应对病毒传播,对于口罩的质量要求也是一项重要的需求指标,这就促进了口罩生产厂家需要对口罩进行严格的缺陷检测,剔除存在缺陷的口罩。
任意规格的口罩都存在焊点,焊点是将耳带固定于成型片上所按压形成的区域,关系到口罩能否正常佩戴,以及佩戴时的整体稳定性,故焊点缺陷检测是口罩缺陷检测中极为重要的一环。目前口罩生产厂家的产线上一般是通过人工进行缺陷检测,而人工进行检测时的主观因素影响较大,标准难以统一;且人工长时间进行检测容易出现视觉疲劳,不仅影响检测结果,同时效率也较低。
发明内容
本发明的目的在于提供一种基于AI与机器视觉算法的口罩焊点缺陷检测方法,以解决背景技术中的问题。
为解决上述技术问题,本发明提供了一种基于AI与机器视觉算法的口罩焊点缺陷检测方法,包括:
步骤1:将相机直接采集的包含口罩的Ori图像传入预先训练好的深度学习图像增强改进模型CAN++进行亮度提升噪点减少处理,输出一张与 Ori图像尺寸一致的处理后的Proc图像;
步骤2:使用预先训练好的深度学习目标检测模型YOLOv5对Proc图像进行焊点ROI的识别,得到焊点ROI的中心点及长、宽数据;
步骤3:基于识别结果进行焊点个数、间距不符的缺陷检测;
步骤4:基于步骤2得到的焊点ROI中心点及长、宽数据,在Proc图像上进行提取得到焊点ROI图像;
步骤5:分别使用预先训练好的深度学习语义分割模型Mask-RCNN、深度学习分类模型Inceptionv4及设计的传统机器视觉算法对焊点ROI图像进行缺陷检测;
步骤6:综合步骤5的语义分割、分类检测结果判断口罩焊点是否存在缺陷。
在一种实施方式中,所述步骤1中深度学习图像增强改进模型CAN++ 的改进方法包括:
将CAN网络模型的第一层卷积结果通过concat的方式与第四层卷积结果拼接在一起作为第五层卷积的输入;
将CAN网络模型的第二层卷积结果通过concat的方式与第五层卷积结果拼接在一起作为第六层卷积的输入;
将CAN网络模型的第三层卷积结果通过concat的方式与第六层卷积结果拼接在一起作为第七层卷积的输入。
在一种实施方式中,所述步骤1中深度学习图像增强改进模型CAN++ 的训练过程包括:
(a)固定相机对不同的口罩样本进行图像采集,对同一个口罩样本分别在低曝光时间、低环境亮度和长曝光时间、高环境亮度下采集两张图像,分别作为模型输入和模型输出的对比,通过采集一定数量的成对图像构建起模型训练的数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对图像增强改进模型CAN++进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果在PSNR、SSIM两项指标上均满足要求时即通过测试,最终得到满足要求的深度学习增强改进模型CAN++。
在一种实施方式中,所述步骤2中深度学习目标检测模型YOLOv5的训练过程包括:
(a)对图像增强改进模型CAN++处理过的口罩Proc图像使用标注工具labelme进行焊点目标的标注,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对目标检测模型YOLOv5进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确识别定位出焊点区域时即通过测试,最终得到满足要求的深度学习目标检测模型 YOLOv5。
在一种实施方式中,所述步骤3中基于识别结果进行焊点个数、间距不符的缺陷检测包括:
基于深度学习目标检测模型YOLOv5对Proc图像进行处理,得到Proc 图像中所有焊点的中心点坐标和长、宽值,对此数据进行统计得到焊点的个数,同时基于各焊点中心点坐标对焊点间的距离进行测量,以此检测焊点间的距离是否满足要求。
在一种实施方式中,所述步骤5包括:
步骤5-1:基于深度学习的语义分割模型Mask-RCNN对焊点ROI图像进行语义分割,检测是否存在脏污区域,且该区域像素面积、置信度均满足预设要求;
步骤5-2:基于深度学习的分类模型Inceptionv4对焊点ROI图像进行分类,得出焊点ROI图像的OK、NG、OT分类结果;其中OK是没有缺陷, NG是有缺陷,OT是被遮挡无法判断有无缺陷;
步骤5-3:基于设计的传统机器视觉算法SJDD1对焊点ROI图像进行毛刺、耳带超出缺陷的检测;
步骤5-4:基于设计的传统机器视觉算法SJDD2对焊点ROI图像进行压穿、脏污缺陷的检测。
在一种实施方式中,所述步骤5中深度学习语义分割模型Mask-RCNN 的训练过程包括:
(a)收集包含脏污区域的焊点ROI图像,使用标注工具labelme进行焊点上脏污区域的标注,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对语义分割模型Mask-RCNN进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确找到焊点上的脏污区域时即通过测试,最终得到满足要求的深度学习语义分割模型 Mask-RCNN。
在一种实施方式中,所述步骤5中深度学习分类模型Inceptionv4的训练过程包括:
(a)收集提取的焊点ROI图像,并进行OK、NG、OT三种类别的分类,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对分类模型Inceptionv4进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确将OK、NG、 OT三种焊点进行分类时即通过测试,最终得到满足要求的深度学习分类模型Inceptionv4。
在一种实施方式中,所述步骤5中设计的传统机器视觉算法SJDD1对焊点ROI图像进行缺陷检测的处理过程包括:
(a)对彩色的焊点ROI图像进行RGB三通道分离,得到三张单通道图像分别为ROI_R、ROI_G、ROI_B;
(b)将单通道图像ROI_R、ROI_G进行相减操作,得到相减后的单通道图像ROI_SUB;
(c)对图像ROI_SUB进行阈值分割,以及腐蚀膨胀操作,得到图像 ROI_OD;
(d)对图像ROI_OD中剩余的目标区域依面积进行筛选,得到未被焊过的耳带区域;
(e)将步骤(d)筛选得到的耳带区域根据其在图像中的坐标及矩形度信息循环查找,找到位于焊点ROI区域中心位置,且面积、矩形度均满足要求的未被焊过的耳带目标OBJ_CENTER,且该目标是唯一的;
(f)将步骤(e)筛选得到的唯一耳带目标OBJ_CENTER作为基准,在步骤(d)筛选得到的所有未被焊过的耳带区域中进行查找,如果存在X轴方向位于唯一耳带目标OBJ_CENTER的右侧,且面积满足要求的目标 OBJ_RIGHT,则认为口罩中的该焊点存在缺陷。
在一种实施方式中,所述步骤5中设计的传统机器视觉算法SJDD2对焊点ROI图像进行缺陷检测的处理过程包括:
(a)对彩色的焊点ROI图像进行RGB三通道分离,得到三张单通道图像分别为ROI_R、ROI_G、ROI_B;
(b)将RGB三个单通道图像ROI_R、ROI_G、ROI_B转换为HSV通道图像,分别为ROI_H、ROI_S、ROI_V;
(c)对明度通道图像ROI_V进行阈值分割,得到明度较低的区域目标;
(d)对步骤(c)处理得到的明度较低的区域目标逐个进行平均阈值筛选,若区域目标平均阈值低于一个所设定筛选阈值,则认为该区域目标为洞穿区域,并且是发黑的洞穿情况;若区域目标的平均阈值高于所设定筛选阈值,则执行步骤(e);
(e)对步骤(d)筛选剩下的区域目标根据其坐标,在焊点ROI图像上进行区域图像提取,然后将提取的区域图像送入预先训练好的MLP分类器进行处理,判断该区域是否存在压穿情况;
综合步骤(d)和(e)的结果,得出该焊点是否存在压穿、脏污缺陷。
本发明提供的一种基于AI与机器视觉算法的口罩焊点缺陷检测方法,在深度学习算法上,通过图像增强模型对原始相机采集的图像进行图像增强,然后使用目标检测模型将焊点ROI区域进行有效提取,进而输送给语义分割、分类模型进行焊点脏污、半焊点、打结等缺陷的检测;在传统机器视觉算法上,使用自主设计的SJDD1和SJDD2算法,对焊点ROI图像进行处理,检测是否存在毛刺、耳带超出、压穿等缺陷。最后综合五种算法的结果得到口罩焊点是否存在缺陷的结论,故算法具有极高的鲁棒性与准确性。另外将深度学习算法与自主设计的传统机器视觉算法相结合,进行有效的口罩焊点缺陷检测;通过将焊点不同种类的缺陷使用不同的算法进行检测,同时发挥了深度学习算法针对成像内容复杂且多变检测任务的优势,也发挥了传统机器视觉算法针对形态较为固定检测任务的优势,将两种算法巧妙搭配,有效节省了算力以及耗时。替代人工进行口罩缺陷检测,极大的降低了用人成本,同时也提高了生产效率。
附图说明
图1为本发明提供的一种基于AI与机器视觉算法的口罩焊点缺陷检测方法的流程图。
图2为包含口罩的Ori图像的示意图。
图3为图像增强算法处理Ori图像后所得Proc图像的示意图。
图4为目标检测算法识别焊点ROI的示意图。
图5为提取焊点ROI图像的示意图。
图6为语义分割算法对焊点ROI图像进行脏污检测的示意图。
图7为算法SJDD1对焊点ROI进行毛刺、耳带超出检测的示意图。
图8为算法SJDD2对焊点ROI进行压穿检测的示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种基于AI与机器视觉算法的口罩焊点缺陷检测方法作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明提供一种基于AI与机器视觉算法的口罩焊点缺陷检测方法,流程图如图1所示,具体包含如下步骤:
步骤一:将相机直接采集的包含口罩的Ori图像传入预先训练好的深度学习图像增强改进模型CAN++进行处理,模型输出一张与初始Ori图像尺寸一致的处理后的Proc图像,该Proc图像在亮度得到提升的同时噪点也会有所减少,其中Ori图像如图2所示,Proc图像如图3所示;
深度学习图像增强改进模型CAN++的改进方法具体如下:
CAN网络模型共包含8个卷积层,网络模型的输入与输出是尺寸完全一致的RGB三通道图像。将CAN网络模型的第一层卷积结果通过concat的方式与第四层卷积结果拼接在一起作为第五层卷积的输入;将CAN网络模型的第二层卷积结果通过concat的方式与第五层卷积结果拼接在一起作为第六层卷积的输入;将CAN网络模型的第三层卷积结果通过concat的方式与第六层卷积结果拼接在一起作为第七层卷积的输入。
深度学习图像增强改进模型CAN++的训练过程具体如下:
(a)固定相机对不同的口罩样本进行图像采集,对同一个口罩样本分别在2000us的低曝光时间、低环境亮度和40000us的长曝光时间、高环境亮度下采集两张图像,分别作为模型输入和模型输出的对比,通过采集5000 对(即10000张)的成对图像构建起模型训练的数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对图像增强改进模型CAN++进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果在PSNR(Peak SignaltoNoiseRatio,峰值信噪比)、SSIM(structuralsimilarity,结构相似性)两项指标均大于0.91时即通过测试,最终得到满足要求的 CAN++预训练模型。
步骤二:使用预先训练好的深度学习目标检测模型YOLOv5对图像Proc 进行焊点ROI的识别,效果如图4所示,得到焊点ROI的中心点(x,y)及长l、宽w的数据;
深度学习目标检测模型YOLOv5的训练过程具体如下:
(a)对共计10000张的图像增强改进模型CAN++处理过的口罩图像使用标注工具labelme进行焊点目标(soldered_dot)的标注,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对目标检测模型YOLOv5进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确识别定位出焊点区域,即IOU(IntersectionoverUnion,重叠度)值满足阈值要求时即通过测试,最终得到满足要求的YOLOv5预训练模型。
步骤三:基于识别结果进行焊点个数、间距不符的缺陷检测。首先,基于目标检测模型YOLOv5对图像Proc进行处理,可以得到图像Proc中所有焊点的中心点坐标{(x0,y0),(x1,y1),....,(xn,yn)}和长{l0,l1,....,ln}、宽{w0,w1,....,wn}值,对此数据进行统计可以得到焊点的个数,即n值。同时,如果检测到的焊点目标仅有2个,即n=1,说明焊点个数正确,然后就可以基于两个焊点中心点坐标对焊点间的距离进行测量,计算公式为看Distances是否满足要求。
步骤四:基于步骤二得到的焊点ROI中心点(x,y)及长l、宽w数据,在图像Proc上进行提取得到焊点ROI图像,提取效果如图5所示,为了准确检测焊点上所焊耳带是否超出焊点区域,及超出的长度和面积,在进行焊点ROI图像提取时,可以适当增加提取区域的长、宽值,长度可增加30个像素值,宽度可以增加20个像素值;
步骤五:分别使用预先训练好的深度学习语义分割模型Mask-RCNN、分类模型Inceptionv4及设计的传统机器视觉算法对焊点ROI图像进行缺陷检测:
(5-1)基于深度学***均置信度大于0.85时,即认为该区域为焊点脏污区域,语义分割效果如图 6所示;
深度学习语义分割模型Mask-RCNN的训练过程具体如下:
(a)收集包含脏污区域的焊点ROI图像5000张,使用标注工具labelme 进行焊点上脏污区域的标注,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对语义分割模型Mask-RCNN进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确找到焊点上的脏污区域时即通过测试,最终得到满足要求的Mask-RCNN预训练模型。
(5-2)基于深度学习的分类模型Inceptionv4对焊点ROI图像进行分类,得出焊点ROI的OK、NG、OT分类结果,其中OK代表没有缺陷的焊点,NG代表焊点存在半焊点、月牙焊点、点偏、焊点发白、打结、焊点压超声等缺陷,OT则代表焊点存在遮挡情况,无法判断是否存在缺陷;
深度学习分类模型Inceptionv4的训练过程具体如下:
(a)收集提取的焊点ROI图像,并进行OK、NG、OT三种类别的分类,其中OK是没有缺陷的焊点,NG是有缺陷的焊点,OT是被遮挡无法判断有无缺陷的焊点,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对分类模型Inceptionv4进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够将OK、NG、OT 三种焊点进行分类的准确率达到99%时即通过测试,最终得到满足要求的 Inceptionv4预训练模型。
(5-3)基于设计的传统机器视觉算法SJDD1对焊点ROI图像进行毛刺、耳带超出等缺陷的检测;
设计的传统机器视觉算法SJDD1对焊点ROI图像进行毛刺、耳带超出等缺陷检测的处理过程具体如下:
(a)对彩色的焊点ROI图像进行RGB三通道分离,得到三张单通道图像分别为ROI_R、ROI_G、ROI_B;
(b)将单通道图像ROI_R、ROI_G进行相减操作,得到相减后的单通道图像ROI_SUB;
(c)对图像ROI_SUB进行范围为(77,255)的阈值分割,以及腐蚀膨胀操作,得到图像ROI_OD;
(d)对图像ROI_OD中剩余的目标区域依最小面积400个像素值进行筛选,得到未被焊过的耳带区域,如图7所示,筛选得到两个目标区域;
(e)将步骤(d)筛选得到的目标根据其在图像中的坐标及矩形度等信息循环查找,找到位于焊点ROI区域中心位置,且面积、矩形度均满足一定要求的未被焊过的耳带目标OBJ_CENTER,同时该目标是唯一的,具体如图7中左侧周边被包围的区域;
(f)将步骤(e)筛选得到的唯一目标OBJ_CENTER作为基准,在步骤 (d)筛选得到的所有目标中进行查找,如果存在X轴方向位于OBJ_CENTER 右侧,且面积满足一定要求的目标OBJ_RIGHT,具体如图7中右侧周边被包围的区域,则认为口罩中的该焊点存在毛刺、耳带超出缺陷。
(5-4)基于设计的传统机器视觉算法SJDD2对焊点ROI图像进行压穿、脏污等缺陷的检测;
设计的传统机器视觉算法SJDD2对焊点ROI图像进行压穿、脏污缺陷检测的处理过程具体如下:
(a)对彩色的焊点ROI图像进行RGB三通道分离,得到三张单通道图像分别为ROI_R、ROI_G、ROI_B;
(b)将RGB三个单通道图像ROI_R、ROI_G、ROI_B转换为HSV通道图像,分别为ROI_H、ROI_S、ROI_V;
(c)对明度通道图像ROI_V进行范围为(0,91)的阈值分割,得到明度较低的区域目标;
(d)对步骤(c)处理得到的区域目标逐个进行平均阈值筛选,若区域目标平均阈值低于一个所设定筛选阈值,则认为该区域目标为洞穿区域,并且是发黑的洞穿情况,具体如图8所示。若区域目标的平均阈值高于所设定筛选阈值,则执行步骤(e);
(e)对步骤(d)筛选剩下的区域目标根据其坐标,在焊点ROI图像上进行区域图像提取,然后将提取的区域图像送入预先训练好的MLP分类器进行处理,判断该区域是否存在压穿情况;
(f)综合步骤(d)和(e)的结果,得出该焊点是否存在压穿、脏污等情况。
(6)综合步骤三、步骤五的语义分割、分类等检测算法的结果,判断口罩焊点是否存在缺陷,并将每种算法检测到的焊点缺陷进行输出。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,包括:
步骤1:将相机直接采集的包含口罩的Ori图像传入预先训练好的深度学习图像增强改进模型CAN++进行亮度提升噪点减少处理,输出一张与Ori图像尺寸一致的处理后的Proc图像;
步骤2:使用预先训练好的深度学习目标检测模型YOLOv5对Proc图像进行焊点ROI的识别,得到焊点ROI的中心点及长、宽数据;
步骤3:基于识别结果进行焊点个数、间距不符的缺陷检测;
步骤4:基于步骤2得到的焊点ROI中心点及长、宽数据,在Proc图像上进行提取得到焊点ROI图像;
步骤5:分别使用预先训练好的深度学习语义分割模型Mask-RCNN、深度学习分类模型Inception v4及设计的传统机器视觉算法对焊点ROI图像进行缺陷检测;
步骤6:综合步骤5的语义分割、分类检测结果判断口罩焊点是否存在缺陷。
2.如权利要求1所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤1中深度学习图像增强改进模型CAN++的改进方法包括:
将CAN网络模型的第一层卷积结果通过concat的方式与第四层卷积结果拼接在一起作为第五层卷积的输入;
将CAN网络模型的第二层卷积结果通过concat的方式与第五层卷积结果拼接在一起作为第六层卷积的输入;
将CAN网络模型的第三层卷积结果通过concat的方式与第六层卷积结果拼接在一起作为第七层卷积的输入。
3.如权利要求2所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤1中深度学习图像增强改进模型CAN++的训练过程包括:
(a)固定相机对不同的口罩样本进行图像采集,对同一个口罩样本分别在低曝光时间、低环境亮度和长曝光时间、高环境亮度下采集两张图像,分别作为模型输入和模型输出的对比,通过采集一定数量的成对图像构建起模型训练的数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对图像增强改进模型CAN++进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果在PSNR、SSIM两项指标上均满足要求时即通过测试,最终得到满足要求的深度学习增强改进模型CAN++。
4.如权利要求3所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤2中深度学习目标检测模型YOLOv5的训练过程包括:
(a)对图像增强改进模型CAN++处理过的口罩Proc图像使用标注工具labelme进行焊点目标的标注,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对目标检测模型YOLOv5进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确识别定位出焊点区域时即通过测试,最终得到满足要求的深度学习目标检测模型YOLOv5。
5.如权利要求4所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤3中基于识别结果进行焊点个数、间距不符的缺陷检测包括:
基于深度学习目标检测模型YOLOv5对Proc图像进行处理,得到Proc图像中所有焊点的中心点坐标和长、宽值,对此数据进行统计得到焊点的个数,同时基于各焊点中心点坐标对焊点间的距离进行测量,以此检测焊点间的距离是否满足要求。
6.如权利要求5所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤5包括:
步骤5-1:基于深度学习的语义分割模型Mask-RCNN对焊点ROI图像进行语义分割,检测是否存在脏污区域,且该区域像素面积、置信度均满足预设要求;
步骤5-2:基于深度学习的分类模型Inception v4对焊点ROI图像进行分类,得出焊点ROI图像的OK、NG、OT分类结果;其中OK是没有缺陷,NG是有缺陷,OT是被遮挡无法判断有无缺陷;
步骤5-3:基于设计的传统机器视觉算法SJDD1对焊点ROI图像进行毛刺、耳带超出缺陷的检测;
步骤5-4:基于设计的传统机器视觉算法SJDD2对焊点ROI图像进行压穿、脏污缺陷的检测。
7.如权利要求6所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤5中深度学习语义分割模型Mask-RCNN的训练过程包括:
(a)收集包含脏污区域的焊点ROI图像,使用标注工具labelme进行焊点上脏污区域的标注,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对语义分割模型Mask-RCNN进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确找到焊点上的脏污区域时即通过测试,最终得到满足要求的深度学习语义分割模型Mask-RCNN。
8.如权利要求7所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤5中深度学习分类模型Inception v4的训练过程包括:
(a)收集提取的焊点ROI图像,并进行OK、NG、OT三种类别的分类,从而构建起数据集;
(b)从构建的数据集中按照8:1:1的比例划分出训练集、验证集和测试集;
(c)使用训练集对分类模型Inception v4进行训练,使用验证集在训练过程中进行模型的性能评判,并基于验证集结果看是否需要调整模型训练的超参数,然后使用测试集进行测试,当测试结果能够准确将OK、NG、OT三种焊点进行分类时即通过测试,最终得到满足要求的深度学习分类模型Inception v4。
9.如权利要求8所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤5中设计的传统机器视觉算法SJDD1对焊点ROI图像进行缺陷检测的处理过程包括:
(a)对彩色的焊点ROI图像进行RGB三通道分离,得到三张单通道图像分别为ROI_R、ROI_G、ROI_B;
(b)将单通道图像ROI_R、ROI_G进行相减操作,得到相减后的单通道图像ROI_SUB;
(c)对图像ROI_SUB进行阈值分割,以及腐蚀膨胀操作,得到图像ROI_OD;
(d)对图像ROI_OD中剩余的目标区域依面积进行筛选,得到未被焊过的耳带区域;
(e)将步骤(d)筛选得到的耳带区域根据其在图像中的坐标及矩形度信息循环查找,找到位于焊点ROI区域中心位置,且面积、矩形度均满足要求的未被焊过的耳带目标OBJ_CENTER,且该目标是唯一的;
(f)将步骤(e)筛选得到的唯一耳带目标OBJ_CENTER作为基准,在步骤(d)筛选得到的所有未被焊过的耳带区域中进行查找,如果存在X轴方向位于唯一耳带目标OBJ_CENTER的右侧,且面积满足要求的目标OBJ_RIGHT,则认为口罩中的该焊点存在缺陷。
10.如权利要求9所述的基于AI与机器视觉算法的口罩焊点缺陷检测方法,其特征在于,所述步骤5中设计的传统机器视觉算法SJDD2对焊点ROI图像进行缺陷检测的处理过程包括:
(a)对彩色的焊点ROI图像进行RGB三通道分离,得到三张单通道图像分别为ROI_R、ROI_G、ROI_B;
(b)将RGB三个单通道图像ROI_R、ROI_G、ROI_B转换为HSV通道图像,分别为ROI_H、ROI_S、ROI_V;
(c)对明度通道图像ROI_V进行阈值分割,得到明度较低的区域目标;
(d)对步骤(c)处理得到的明度较低的区域目标逐个进行平均阈值筛选,若区域目标平均阈值低于一个所设定筛选阈值,则认为该区域目标为洞穿区域,并且是发黑的洞穿情况;若区域目标的平均阈值高于所设定筛选阈值,则执行步骤(e);
(e)对步骤(d)筛选剩下的区域目标根据其坐标,在焊点ROI图像上进行区域图像提取,然后将提取的区域图像送入预先训练好的MLP分类器进行处理,判断该区域是否存在压穿情况;
综合步骤(d)和(e)的结果,得出该焊点是否存在压穿、脏污缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293216.2A CN115587993A (zh) | 2022-10-21 | 2022-10-21 | 一种基于ai与机器视觉算法的口罩焊点缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293216.2A CN115587993A (zh) | 2022-10-21 | 2022-10-21 | 一种基于ai与机器视觉算法的口罩焊点缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587993A true CN115587993A (zh) | 2023-01-10 |
Family
ID=84780681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211293216.2A Pending CN115587993A (zh) | 2022-10-21 | 2022-10-21 | 一种基于ai与机器视觉算法的口罩焊点缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078674A (zh) * | 2023-10-14 | 2023-11-17 | 中电鹏程智能装备有限公司 | 一种pcba外观缺陷智能检测方法和检测*** |
-
2022
- 2022-10-21 CN CN202211293216.2A patent/CN115587993A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078674A (zh) * | 2023-10-14 | 2023-11-17 | 中电鹏程智能装备有限公司 | 一种pcba外观缺陷智能检测方法和检测*** |
CN117078674B (zh) * | 2023-10-14 | 2024-01-05 | 中电鹏程智能装备有限公司 | 一种pcba外观缺陷智能检测方法和检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN109859177B (zh) | 基于深度学习的工业射线影像评定方法及装置 | |
CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及*** | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
TWI669519B (zh) | 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體 | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测*** | |
CN117635565B (zh) | 一种基于图像识别的半导体表面缺陷检测*** | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN113077437B (zh) | 工件质量检测方法及其*** | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及*** | |
CN112862770A (zh) | 一种基于人工智能的缺陷分析诊断***、方法、装置 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
WO2022198898A1 (zh) | 图像分类方法和装置及设备 | |
CN113222938A (zh) | 芯片缺陷检测方法及***与计算机可读存储介质 | |
CN114972230A (zh) | 一种生产线上电路板缺陷检测方法及*** | |
CN115587993A (zh) | 一种基于ai与机器视觉算法的口罩焊点缺陷检测方法 | |
WO2021248599A1 (zh) | 一种类型异常图斑自动识别方法及*** | |
CN110084807B (zh) | 一种焊缝探伤底片图像造假的检测方法 | |
KR20180115645A (ko) | 2d 영상 기반의 용접 비드 인식 장치 및 그것을 이용한 그을음 제거 방법 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN114742832B (zh) | 一种MiniLED薄板的焊接缺陷检测方法 | |
CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及*** | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN116228682A (zh) | 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法 | |
CN115511884A (zh) | 基于计算机视觉的冲孔复合模表面质量检测方法 |
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 |