基于深度学习的胶塞表面缺陷图像识别方法及系统与流程

本发明涉及机器视觉，特别涉及一种基于深度学习的胶塞表面缺陷图像识别方法及系统。

背景技术：

1、现有技术在胶塞的表面缺陷检测中，通常采用机器视觉与深度学习网络相结合的方案。在实际高速涂硅量产产线中，检测环境面临多源物理干扰。首先，输送装置的机械高频振动会导致相机采集的时序图像发生物理空间偏移与模糊拖影。其次，胶塞表面涂覆的硅油层在光源照射下会产生各向异性的镜面反光，硅油镜面反光在图像空间中容易掩盖底层的真实物理形貌。当传统的静态特征提取算法处理此类图像时，极易将反光高光区域误判为材料表面断层。

2、此外，在后续的缺陷几何形态分析环节中，由于高分子丁基橡胶材质自身的柔性特性，胶塞在经过机械夹爪抓取或导轨挤压时会产生不规则的受力拉伸形变。现有的缺陷检测系统缺乏针对柔性材质拉伸形变的抗干扰机制，直接将包含反光高光与物理拉伸形变的图像特征输入深度学习网络。反光噪声、正常拉伸形变与真实裂纹缺陷在数据底层发生特征混叠，增加了缺陷分类网络特征提取的难度，最终在工业产线上表现为较高的缺陷误检率与漏检率。

技术实现思路

1、本发明提供了一种基于深度学习的胶塞表面缺陷图像识别方法及系统，以解决现有检测系统在高速涂硅产线中，因机械设备振动导致图像空间偏移，同时表面硅油反光造成图像特征断层，且系统在面临胶塞受夹持挤压产生的物理拉伸形变时缺乏抗干扰机制，致使反光噪声、正常拉伸形变与真实裂纹特征发生混叠，最终导致缺陷识别误检率与漏检率升高的技术问题。

2、鉴于上述问题，本发明提供了一种基于深度学习的胶塞表面缺陷图像识别方法，包括以下步骤：

3、接收输送装置的位移脉冲信号与加速度序列，提取运动相位；

4、当所述运动相位处于预设相位区间时，生成第一触发信号；

5、基于所述第一触发信号采集待测对象的多偏振态时序图像张量；

6、将所述多偏振态时序图像张量转换至二维空间频域，获得频域特征分量，并基于所述加速度序列生成带阻掩码；

7、将所述带阻掩码与所述频域特征分量进行掩码操作，经逆傅里叶变换输出对齐图像序列；

8、基于所述对齐图像序列，计算各像素坐标的偏振散度指数；

9、针对所述各像素坐标中的任意目标像素坐标，若所述目标像素坐标的所述偏振散度指数大于预设偏振阈值，将所述对齐图像序列中所述目标像素坐标对应的特征分量进行置零操作；

10、将经过所述置零操作后的所述对齐图像序列沿时序维度进行融合，输出拓扑底图张量；

11、提取所述拓扑底图张量中的边缘轮廓，基于弧长参数计算所述边缘轮廓的曲率连续性导数；

12、若所述曲率连续性导数大于预设畸变常量，在所述边缘轮廓对应的像素坐标位置生成奇异点掩码；

13、将所述拓扑底图张量与所述奇异点掩码拼接，输入预设的缺陷分类网络模型，输出缺陷置信度向量。

14、本发明提供了一种基于深度学习的胶塞表面缺陷图像识别系统，包括：

15、感知触发单元：用于接收输送装置的位移脉冲信号与加速度序列，提取运动相位；当所述运动相位处于预设相位区间时，生成第一触发信号；基于所述第一触发信号采集待测对象的多偏振态时序图像张量；

16、频域对齐单元：用于将所述多偏振态时序图像张量转换至二维空间频域，获得频域特征分量，并基于所述加速度序列生成带阻掩码；将所述带阻掩码与所述频域特征分量进行掩码操作，经逆傅里叶变换输出对齐图像序列；

17、偏振截断单元：用于基于所述对齐图像序列，计算各像素坐标的偏振散度指数；针对所述各像素坐标中的任意目标像素坐标，若所述目标像素坐标的所述偏振散度指数大于预设偏振阈值，将所述对齐图像序列中所述目标像素坐标对应的特征分量进行置零操作；将经过所述置零操作后的所述对齐图像序列沿时序维度进行融合，输出拓扑底图张量；

18、连续性提取单元：用于提取所述拓扑底图张量中的边缘轮廓，基于弧长参数计算所述边缘轮廓的曲率连续性导数；若所述曲率连续性导数大于预设畸变常量，在所述边缘轮廓对应的像素坐标位置生成奇异点掩码；

19、分类输出单元：用于将所述拓扑底图张量与所述奇异点掩码拼接，输入预设的缺陷分类网络模型，输出缺陷置信度向量。

20、本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于深度学习的胶塞表面缺陷图像识别方法的步骤。

21、本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于深度学习的胶塞表面缺陷图像识别方法的步骤。

22、本申请提供的技术方案，至少具有如下技术效果：

23、通过将多偏振态时序图像张量转换至频域，基于加速度序列提取极点坐标并构建带阻掩码执行掩码操作，在图像预处理阶段滤除了机械高频振动引发的特定方向运动拖影，为后续的特征提取提供了空间坐标对齐的物理基准。

24、通过计算同一像素坐标在不同偏振时序帧下的亮度分量方差获取偏振散度指数，并将偏振散度指数与基于涂层折射率和基底折射率算出的预设偏振阈值进行比对截断，剔除了硅油层产生的镜面高光反射信号，提取出排除光场干涉的拓扑底图张量。

25、通过计算边缘轮廓的曲率连续性导数，并采用配置有松弛调节因子与畸变常量的非线性激活函数生成奇异点掩码，将低于目标形变阈值的正常弹性拉伸形变特征在数学输出端予以收敛抑制，从而在分类推断前免疫了夹持受力形变带来的干扰，降低了工业现场缺陷识别的误检率与漏检率。

1.一种基于深度学习的胶塞表面缺陷图像识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的胶塞表面缺陷图像识别方法，其特征在于，所述基于所述加速度序列生成带阻掩码，包括：

3.根据权利要求1所述的基于深度学习的胶塞表面缺陷图像识别方法，其特征在于，所述偏振散度指数的计算方法为：

4.根据权利要求1或3所述的基于深度学习的胶塞表面缺陷图像识别方法，其特征在于，所述预设偏振阈值基于所述待测对象的表面涂层折射率与基底材质折射率，通过布儒斯特角方程计算获取。

5.根据权利要求1所述的基于深度学习的胶塞表面缺陷图像识别方法，其特征在于，所述在所述边缘轮廓对应的像素坐标位置生成奇异点掩码，包括：

6.根据权利要求5所述的基于深度学习的胶塞表面缺陷图像识别方法，其特征在于，所述非线性激活函数采用以下公式计算所述奇异点掩码的取值：

7.一种基于深度学习的胶塞表面缺陷图像识别系统，其特征在于，包括：

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于深度学习的胶塞表面缺陷图像识别方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于深度学习的胶塞表面缺陷图像识别方法的步骤。