本技術(shù)涉及深度學(xué)習(xí)，尤其涉及一種基于深度學(xué)習(xí)的圓孔毛邊缺陷檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著工業(yè)制造的不斷發(fā)展，對(duì)產(chǎn)品質(zhì)量的要求日益嚴(yán)格，尤其是在精密零件的制造過(guò)程中，任何微小的缺陷都可能對(duì)產(chǎn)品性能產(chǎn)生重大影響。圓孔作為各種機(jī)械和電子設(shè)備中常見(jiàn)的結(jié)構(gòu)元件，其加工質(zhì)量對(duì)整個(gè)產(chǎn)品的功能性和耐用性至關(guān)重要。因此，針對(duì)圓孔邊緣的質(zhì)量檢測(cè)，尤其是毛邊缺陷的檢測(cè)，已經(jīng)成為制造行業(yè)中的一項(xiàng)重要課題。

2、隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，逐漸開(kāi)始使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圓孔毛邊缺陷的檢測(cè)。具體而言，現(xiàn)有技術(shù)通過(guò)構(gòu)建缺陷檢測(cè)模型來(lái)識(shí)別圓孔邊緣的毛邊缺陷。這個(gè)過(guò)程通常包括兩個(gè)主要步驟：首先，收集并標(biāo)注大量缺陷類型的數(shù)據(jù)，供神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；其次，在模型訓(xùn)練完成后，將圓孔的圖像輸入到模型中，由模型輸出檢測(cè)結(jié)果。這種基于深度學(xué)習(xí)的檢測(cè)方法相較于傳統(tǒng)的視覺(jué)檢測(cè)技術(shù)在準(zhǔn)確性和自動(dòng)化方面都有了顯著提升。

3、然而，現(xiàn)有技術(shù)僅依賴深度學(xué)習(xí)模型進(jìn)行圓孔毛邊缺陷檢測(cè)時(shí)，仍然存在一定的局限性。由于模型訓(xùn)練高度依賴于大量標(biāo)注數(shù)據(jù)，難以涵蓋所有可能的缺陷類型，導(dǎo)致模型在處理未見(jiàn)過(guò)的或形態(tài)較為復(fù)雜的毛邊時(shí)，容易出現(xiàn)誤檢或漏檢的問(wèn)題。?因此，僅使用深度學(xué)習(xí)模型進(jìn)行檢測(cè)的方法在準(zhǔn)確度上仍有提升空間，尤其是在應(yīng)對(duì)多樣化和復(fù)雜化的毛邊缺陷時(shí)，現(xiàn)有技術(shù)難以滿足高效、準(zhǔn)確的檢測(cè)需求。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種基于深度學(xué)習(xí)的圓孔毛邊缺陷檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)，能夠提升圓孔毛邊缺陷的準(zhǔn)確性。本技術(shù)提供如下技術(shù)方案：

2、第一方面，本技術(shù)提供一種基于深度學(xué)習(xí)的圓孔毛邊缺陷檢測(cè)方法，所述方法包括：

3、采集圓孔圖像并對(duì)所述圓孔圖像進(jìn)行預(yù)處理；

4、獲取訓(xùn)練圖像集，其中所述訓(xùn)練圖像集包括已知的圓孔圖像集，所述圓孔圖像集中每一張所述圓孔圖像均標(biāo)注是否存在毛邊缺陷，以所述圓孔圖像集作為輸入，有無(wú)毛邊缺陷作為輸出對(duì)預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到缺陷檢測(cè)模型；

5、將所述圓孔圖像輸入至所述缺陷檢測(cè)模型，輸出第一檢測(cè)結(jié)果；

6、基于徑向投影和邊緣偏離度分析對(duì)所述圓孔圖像進(jìn)行幾何缺陷驗(yàn)證，生成第二檢測(cè)結(jié)果；

7、基于所述第一檢測(cè)結(jié)果和所述第二檢測(cè)結(jié)果生成最終的檢測(cè)結(jié)果。

8、在一個(gè)具體的可實(shí)施方案中，所述采集圓孔圖像并對(duì)所述圓孔圖像進(jìn)行預(yù)處理包括：

9、使用濾波器去除所述圓孔圖像中的噪聲，通過(guò)直方圖均衡或其他對(duì)比度增強(qiáng)技術(shù)，提高所述圓孔圖像中圓孔邊緣的清晰度，使用邊緣檢測(cè)算法，對(duì)預(yù)處理后的所述圓孔圖像進(jìn)行邊緣檢測(cè)，初步標(biāo)記出圓孔的邊緣。

10、在一個(gè)具體的可實(shí)施方案中，所述基于徑向投影和邊緣偏離度分析對(duì)所述圓孔圖像進(jìn)行幾何缺陷驗(yàn)證，生成第二檢測(cè)結(jié)果包括：

11、確定圓孔的圓心位置和半徑，通過(guò)幾何方法沿著圓心向外投射條徑向線，隨后對(duì)每條徑向線，在與圓心距離為半徑的位置上，計(jì)算該處的灰度值變化，將沿每條徑向線的灰度變化投影到一維空間，形成一個(gè)徑向投影向量如下：

12、其中，表示沿徑向線的像素灰度值,和分別為圓心到內(nèi)外邊界的距離；

13、計(jì)算每條徑向線的實(shí)際投影向量與標(biāo)準(zhǔn)投影向量的差異，并通過(guò)以下公式計(jì)算第條徑向線上的邊緣偏離度：

14、利用偏離度的計(jì)算結(jié)果判斷圓孔圖像是否存在毛邊缺陷，使用以下公式分別計(jì)算所有條徑向線的平均偏離度和最大偏離度：

15、；

16、；

17、計(jì)算完成后，如果平均偏離度或者最大偏離度超過(guò)預(yù)設(shè)的閾值，則判斷該圓孔存在毛邊缺陷，生成的第二檢測(cè)結(jié)果為存在缺陷，否則，第二檢測(cè)結(jié)果為無(wú)缺陷。

18、在一個(gè)具體的可實(shí)施方案中，所述確定圓孔的圓心位置和半徑包括：

19、將預(yù)處理后的圓孔圖像輸入霍夫圓變換算法，其中，霍夫圓變換的數(shù)學(xué)過(guò)程通過(guò)投票機(jī)制實(shí)現(xiàn)，即在圓孔圖像中找出符合以下圓形方程的邊緣像素點(diǎn)：

20、其中，算法輸出的即為檢測(cè)出的圓心坐標(biāo)，為圓孔的半徑。

21、在一個(gè)具體的可實(shí)施方案中，所述通過(guò)幾何方法沿著圓心向外投射多條徑向線包括：

22、從圓心向外等角度投射條徑向線，每條徑向線的角度通過(guò)以下公式確定：

23、其中，為徑向線的數(shù)量，徑向線從圓心延伸至圓周，用于采集沿徑向方向上的圖像數(shù)據(jù)。

24、在一個(gè)具體的可實(shí)施方案中，所述基于所述第一檢測(cè)結(jié)果和所述第二檢測(cè)結(jié)果生成最終的檢測(cè)結(jié)果包括：

25、根據(jù)檢測(cè)結(jié)果的融合規(guī)則，如果任一結(jié)果顯示存在缺陷，則最終檢測(cè)結(jié)果為存在缺陷；

26、只有當(dāng)兩個(gè)結(jié)果均為無(wú)缺陷時(shí)，最終結(jié)果才為無(wú)缺陷。

27、在一個(gè)具體的可實(shí)施方案中，所述方法還包括：

28、使用局部面積差異分析公式，檢測(cè)圓孔是否存在毛邊缺陷，生成第三檢測(cè)結(jié)果，基于第一檢測(cè)結(jié)果和第三檢測(cè)結(jié)果生成最終的檢測(cè)結(jié)果；

29、確定圓孔圖像的圓心和半徑之后，使用像素計(jì)數(shù)方法計(jì)算圓孔的實(shí)際面積，再計(jì)算理論面積：

30、計(jì)算局部面積差異：

31、其中，是基于半徑計(jì)算的實(shí)際局部面積，是基于半徑計(jì)算的理論局部面積，，為局部半徑的偏差，是用于控制局部半徑偏差的平滑參數(shù)，是局部區(qū)域的總數(shù)；

32、得到圓心坐標(biāo)之后，從圓心向外沿每條徑向線提取邊緣點(diǎn)的位置，找到圖像中邊緣點(diǎn)的坐標(biāo)，對(duì)于每條徑向線，計(jì)算圓心到邊緣點(diǎn)的距離，即實(shí)際半徑：

33、計(jì)算得到局部面積差異之后，設(shè)定局部面積差異閾值，如果局部面積差異大于局部面積差異閾值，則判斷存在毛邊缺陷，第三檢測(cè)結(jié)果輸出存在缺陷；如果局部面積差異小于等于局部面積差異閾值，則判斷無(wú)毛邊缺陷，第三檢測(cè)結(jié)果輸出無(wú)缺陷。

34、第二方面，本技術(shù)提供一種基于深度學(xué)習(xí)的圓孔毛邊缺陷檢測(cè)系統(tǒng)，采用如下的技術(shù)方案：

35、一種基于深度學(xué)習(xí)的圓孔毛邊缺陷檢測(cè)系統(tǒng)，包括：

36、圖像采集模塊，用于采集圓孔圖像并對(duì)所述圓孔圖像進(jìn)行預(yù)處理；

37、模型訓(xùn)練模塊，用于獲取訓(xùn)練圖像集，其中所述訓(xùn)練圖像集包括已知的圓孔圖像集，所述圓孔圖像集中每一張所述圓孔圖像均標(biāo)注是否存在毛邊缺陷，以所述圓孔圖像集作為輸入，有無(wú)毛邊缺陷作為輸出對(duì)預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到缺陷檢測(cè)模型；

38、模型輸出模塊，用于將所述圓孔圖像輸入至所述缺陷檢測(cè)模型，輸出第一檢測(cè)結(jié)果；

39、幾何驗(yàn)證模塊，用于基于徑向投影和邊緣偏離度分析對(duì)所述圓孔圖像進(jìn)行幾何缺陷驗(yàn)證，生成第二檢測(cè)結(jié)果；

40、結(jié)果生成模塊，用于基于所述第一檢測(cè)結(jié)果和所述第二檢測(cè)結(jié)果生成最終的檢測(cè)結(jié)果。

41、第三方面，本技術(shù)提供一種電子設(shè)備，所述設(shè)備包括處理器和存儲(chǔ)器；所述存儲(chǔ)器中存儲(chǔ)有程序，所述程序由所述處理器加載并執(zhí)行以實(shí)現(xiàn)如第一方面所述的一種基于深度學(xué)習(xí)的圓孔毛邊缺陷檢測(cè)方法。

42、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有程序，所述程序被處理器執(zhí)行時(shí)用于實(shí)現(xiàn)如第一方面所述的一種基于深度學(xué)習(xí)的圓孔毛邊缺陷檢測(cè)方法。

43、綜上所述，本技術(shù)的有益效果至少包括：

44、1）通過(guò)結(jié)合深度學(xué)習(xí)模型和幾何特征分析，本技術(shù)能夠?qū)A孔的毛邊缺陷進(jìn)行多層次的檢測(cè)。深度學(xué)習(xí)模型用于自動(dòng)識(shí)別大部分缺陷，而幾何特征分析則進(jìn)一步驗(yàn)證并彌補(bǔ)深度學(xué)習(xí)可能遺漏的復(fù)雜或微小缺陷。這種組合方法有效提高了檢測(cè)的精度和可靠性，減少了誤檢和漏檢的發(fā)生。

45、2）幾何特征分析采用徑向投影和邊緣偏離度的計(jì)算方法，對(duì)圓孔邊緣的形態(tài)進(jìn)行精確的量化分析，特別是對(duì)微小和不規(guī)則的毛邊缺陷。這種方法可以捕捉到深度學(xué)習(xí)模型難以識(shí)別的復(fù)雜缺陷，顯著增強(qiáng)了檢測(cè)系統(tǒng)在應(yīng)對(duì)多樣化和復(fù)雜化缺陷時(shí)的能力。

46、3）幾何特征分析基于圖像的物理特征，如圓心、半徑和邊緣形狀，而非依賴大量的標(biāo)注數(shù)據(jù)。這意味著即使在訓(xùn)練數(shù)據(jù)不足或缺陷樣本有限的情況下，仍然能夠進(jìn)行有效的檢測(cè)，從而降低了對(duì)大規(guī)模數(shù)據(jù)集的依賴，提高了檢測(cè)方案的適應(yīng)性和靈活性。

47、通過(guò)深度學(xué)習(xí)模型和幾何特征分析相結(jié)合的方式，提升檢測(cè)的準(zhǔn)確性和可靠性。具體而言，首先使用深度學(xué)習(xí)模型對(duì)圓孔圖像進(jìn)行初步檢測(cè)，生成第一檢測(cè)結(jié)果。此模型能夠自動(dòng)識(shí)別大部分毛邊缺陷，但可能在處理復(fù)雜形態(tài)或未見(jiàn)過(guò)的缺陷時(shí)存在局限性。為彌補(bǔ)深度學(xué)習(xí)模型的不足，進(jìn)一步通過(guò)幾何特征分析對(duì)圓孔圖像進(jìn)行驗(yàn)證，生成第二檢測(cè)結(jié)果。該分析方法通過(guò)徑向投影和邊緣偏離度計(jì)算，精確地識(shí)別圓孔邊緣的幾何缺陷，特別是微小和復(fù)雜的毛邊。這一步驟不僅能驗(yàn)證和補(bǔ)充深度學(xué)習(xí)模型的檢測(cè)結(jié)果，還能在缺乏大量訓(xùn)練數(shù)據(jù)的情況下提供可靠的檢測(cè)。通過(guò)結(jié)合第一和第二檢測(cè)結(jié)果，最終生成一個(gè)綜合的缺陷判斷。這樣的多層次檢測(cè)策略可以減少誤檢和漏檢的可能性，特別是在高精度制造過(guò)程中，確保圓孔的質(zhì)量達(dá)到嚴(yán)格的要求。這種方法有效解決了傳統(tǒng)檢測(cè)方法難以識(shí)別復(fù)雜和微小缺陷的問(wèn)題，顯著提高了檢測(cè)的全面性和準(zhǔn)確性。

48、上述說(shuō)明僅是本技術(shù)技術(shù)方案的概述，為了能夠更清楚了解本技術(shù)的技術(shù)手段，并可依照說(shuō)明書(shū)的內(nèi)容予以實(shí)施，以下以本技術(shù)的較佳實(shí)施例并配合附圖詳細(xì)說(shuō)明如后。