一种深度学习汽车部件表面缺陷检测系统及方法与流程

1.本发明涉及汽车部件检测技术领域，尤其涉及一种深度学习汽车部件表面缺陷检测系统及方法。


背景技术：

2.随着社会科技的进步，智能交通系统在交通违规和交通事故等问题上扮演着越来越重要的角色，其中车辆搜索系统是其重要组成部分，而车辆汽车部件检测即是检测出车辆的各个汽车部件的位置，各个汽车部件的质量和表面缺陷度对整个车辆有着决定性的影响，故而在生产质检环节中对汽车各个部件的表面缺陷二段检测尤为重要，之前对应汽车部件表面的检测方式主要以抽检普查为主，这种检测方式其虽能提高检测效率，但不能保证汽车部件的单一质量，存在严重缺陷，随着智能摄像的运用，利用摄像装置对汽车部件表面缺陷进行检测也逐渐完善，但目前的汽车部件表面缺陷检测方式主要利用摄像的识别功能，没有全面的利用到摄像的学习能力，并且通过智能摄像对汽车部件表面缺陷检测时，需要对工件进行多次操作，检测效率低下，为此现提出一种深度学习汽车部件表面缺陷检测系统及方法。


技术实现要素：

3.本发明的目的是为了解决现有技术中对汽车部件表面缺陷检测方式主要利用摄像的识别功能，没有全面的利用到摄像的学习能力，并且通过智能摄像对汽车部件表面缺陷检测时，需要对工件进行多次操作，检测效率低下问题，而提出的一种深度学习汽车部件表面缺陷检测系统及方法，其基于深度模型的车辆汽车部件检测策略，保留了汽车部件检测的可靠性，利用图像识别和三维立体识别两种方式的同时使用，有效的提高了系统的有效性和可靠性，保证对汽车部件表面缺陷的有效检测，确保检测效果，相比现有的检测系统与方法能显著的提高检测结果的可靠性，并能显著的提高检测效率，利用汽车部件的原始数据能确保检测结果更加精准。
4.为了实现上述目的，本发明采用了如下技术方案：
5.一种深度学习汽车部件表面缺陷检测系统，包括控制模块、图像预处理模块、图像识别模块和三维立体识别模块，所述图像识别模块由侯检区域识别和全方位缺陷识别组成。
6.优选地，所述图像预处理模块包括图像特征提取模块与图像特征识别摄像模块。
7.优选地，所述侯检区域识别对处在侯检区域内的汽车部件进行表面识别，并利用图像与处理模块中的图像特征提取处的图像特征进行比对，根据比对的差异化的识别实现对侯检区中存在表面缺陷的产品的识别。
8.优选地，所述全方位缺陷识别由三维摄像装置进行识别，并在识别后根据识别情况分别对汽车部件进行缺陷识别剔除和顺线持续输送。
9.一种深度学习汽车部件表面缺陷检测方法，包括以下步骤：
10.s1、汽车部件数据处理:将汽车部件的制造数据输入到控制模块内，控制模块将汽车部件的图像数据输送到图像数据预处理模块中进行图像特征提取；
11.控制模块将汽车部件的三维坐标数据进行整理后，输入到三维扫描仪内；
12.s2、汽车表面缺陷图像检测：在侯检区内对处在侯检区域内的汽车部件进行表面识别，识别出侯检区内的汽车部件的表面缺陷，并对缺陷汽车部件进行识别定位，并利用推算公式得出汽车部件表面缺陷的比例；
13.通过传输带对侯检区内的汽车部件进行输送，汽车部件被输送到三维摄像区域处，通过三维立体识别装置对汽车部件表面的缺陷进行识别，识别合格的汽车部件通过传输带继续输送，识别不合格的汽车部件通过分选机构进行筛除；
14.s3、三维立体检测：通过传输带将汽车部件输送到三维扫描仪内，三维扫描仪通过该汽车部件的三维数据进行对比，得出该汽车部件的表面缺陷十分存在；
15.s4、经三维扫描仪扫描后的汽车部件进行分选，得出符合标准的汽车部件。
16.优选地，所述三维扫描仪的三维坐标数据输入方式包括但不仅限于接触式和非接触式，接触测量方法包括坐标测量机和色谱法；非接触测量方法包括光学测量、超声波测量、电磁测量方法。
17.优选地，所述三维立体识别装置在对侯检区检测出表面缺陷的汽车部件进行识别前，在传输带上对缺陷汽车部件进行识别定位的摄像装置会在缺陷汽车部件移动到三维摄像区域时，输出给控制模块反馈信号，着重对该汽车部件进行详细识别。
18.优选地，所述被侯检区检测出表面缺陷的汽车部件的推算数据与经三维立体检测后得出的具体数据进行比对，控制单元比对后根据数据差异进行深度学习。
19.相比现有技术，本发明的有益效果为：
20.基于深度模型的车辆汽车部件检测策略，保留了汽车部件检测的可靠性，利用图像识别和三维立体识别两种方式的同时使用，有效的提高了系统的有效性和可靠性，保证对汽车部件表面缺陷的有效检测，确保检测效果，相比现有的检测系统与方法能显著的提高检测结果的可靠性，并能显著的提高检测效率，利用汽车部件的原始数据能确保检测结果更加精准。
附图说明
21.图1为本发明提出的一种深度学习汽车部件表面缺陷检测系统及方法的流程示意图。
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围；
23.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
24.参照图1，一种深度学习汽车部件表面缺陷检测系统及方法，包括控制模块、图像预处理模块、图像识别模块和三维立体识别模块，图像识别模块由侯检区域识别和全方位缺陷识别组成，图像预处理模块包括图像特征提取模块与图像特征识别摄像模块。
25.侯检区域识别对处在侯检区域内的汽车部件进行表面识别，并利用图像与处理模块中的图像特征提取处的图像特征进行比对，根据比对的差异化的识别实现对侯检区中存在表面缺陷的产品的识别，全方位缺陷识别由三维摄像装置进行识别，并在识别后根据识别情况分别对汽车部件进行缺陷识别剔除和顺线持续输送，利用图像识别和三维立体识别两种方式的同时使用，有效的提高了系统的有效性和可靠性，保证对汽车部件表面缺陷的有效检测，确保检测效果，相比现有的检测系统与方法能显著的提高检测结果的可靠性，并能显著的提高检测效率，利用汽车部件的原始数据能确保检测结果更加精准。
26.汽车部件数据处理:将汽车部件的制造数据输入到控制模块内，控制模块将汽车部件的图像数据输送到图像数据预处理模块中进行图像特征提取；
27.控制模块将汽车部件的三维坐标数据进行整理后，输入到三维扫描仪内；三维扫描仪的三维坐标数据输入方式包括但不仅限于接触式和非接触式，接触测量方法包括坐标测量机和色谱法；非接触测量方法包括光学测量、超声波测量、电磁测量方法。
28.三维扫描仪采用基于光学三角原理的激光扫描法(laser scanning method)，这种测量方法根据光学三角测量原理，以激光为光源，其结构模式可分为光点、单线、多光条等；并且光电敏感元件用于在另一位置接收激发光的反射能量，根据物体上光点或光柱的成像偏移，通过基面、像点、像距离等之间的关系计算物体的深度信息。
29.汽车表面缺陷图像检测：在侯检区内对处在侯检区域内的汽车部件进行表面识别，识别出侯检区内的汽车部件的表面缺陷，并对缺陷汽车部件进行识别定位，并利用推算公式得出汽车部件表面缺陷的比例；
30.通过传输带对侯检区内的汽车部件进行输送，汽车部件被输送到三维摄像区域处，通过三维立体识别装置对汽车部件表面的缺陷进行识别，识别合格的汽车部件通过传输带继续输送，识别不合格的汽车部件通过分选机构进行筛除；三维立体检测：通过传输带将汽车部件输送到三维扫描仪内，三维扫描仪通过该汽车部件的三维数据进行对比，得出该汽车部件的表面缺陷十分存在；经三维扫描仪扫描后的汽车部件进行分选，得出符合标准的汽车部件。
31.三维立体识别装置在对侯检区检测出表面缺陷的汽车部件进行识别前，在传输带上对缺陷汽车部件进行识别定位的摄像装置会在缺陷汽车部件移动到三维摄像区域时，输出给控制模块反馈信号，着重对该汽车部件进行详细识别，被侯检区检测出表面缺陷的汽车部件的推算数据与经三维立体检测后得出的具体数据进行比对，控制单元比对后根据数据差异进行深度学习。
32.其中计算公式如下，通过预先设置，得出摄像装置对汽车部件的拍摄表面积为m，通过对汽车部件的数据整理得出汽车部件的全部表面积为p，摄像装置对汽车部件拍摄表面积上拍摄到的缺陷数量为n,能通过推算得出该汽车部件上缺陷总数为p＝n/m*p；
33.将预测的p值与实际经三维立体检测后得出的具体数据p1进行比对，得出k值，k＝p/p1,进而利于计算后的k值进行推算后续的汽车部件上缺陷总数，进而能实现对汽车不同部件之间的缺陷的自主学习，并能将数据进行记录。
34.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。