首页 理论教育工件缺陷自动检测方案

工件缺陷自动检测方案

【摘要】:基于Faster R-CNN的工件缺陷检测算法,可以避免工件缺陷区域难以有效检测的难题,但同时又具有训练难以有效收敛的难题。工件缺陷检测系统在训练阶段首先使用样本图像训练Faster RCNN网络结构模型。针对本案例的工件缺陷测试集样本,实验结果表明,采用本案例锚框设定方案的Faster R-CNN网络结构模型检测时间多了50 ms,对于尺寸较小的气孔缺陷区域检测准确率从64%提高到100%,验证了本案例方法的有效性。

铸造技术因其成本低廉,可制造复杂部件的优势在汽车工业航空航天领域都有广泛的应用。工件缺陷自动检测算法作为提高工件生产效率的重要部分,解决这一关键难题具有非常重要的实用价值。工件缺陷自动检测由于不同型号的工件之间结构差异大,不同种类的缺陷区域之间特征相差大,缺陷区域出现位置随机等,在模式识别领域一直是研究难点和热点。CNN因其模拟人脑视觉处理机制,具有自动学习样本特征的特点,因此在图像处理领域相比其他深度学习模型有比较大的性能优势。基于CNN模型的区域定位网络结构模型(regions with CNN,R-CNN)以及R-CNN网络结构模型的改进模型Fast R-CNN和Faster R-CNN在目标检测方面都比传统的目标检测算法有了很大的提升。基于Faster R-CNN的工件缺陷检测算法,可以避免工件缺陷区域难以有效检测的难题,但同时又具有训练难以有效收敛的难题。

目前在实际生产中的工件射线图存在干扰噪声大,缺陷区域面积、形状多样化,缺陷种类多,背景区域复杂的特点,使得大部分的缺陷检测算法很难实现。本案例针对轮毂工件缺陷检测,利用基于Faster R-CNN网络结构模型算法,实现了对于工件缺陷区域的自动定位以及分类。工件缺陷检测系统在训练阶段首先使用样本图像训练Faster RCNN网络结构模型。在检测阶段用训练好的Faster R-CNN网络结构模型对待检测图像进行缺陷区域检测,标记出缺陷区域的位置以及缺陷的种类进行分类,并根据缺陷检测的结果,将工件分为合格或不合格产品。工件缺陷自动检测系统框架如图7-11所示。

本案例采用的工件缺陷样本数据集为实际生产线中采集的工件缺陷样本,在准备训练集以及测试集的过程中将工件缺陷分为气孔(air hole)、缩孔(dense defect)以及疏松(sparse defect)三种,并且记录下每张工件缺陷样本图所包含的缺陷具体位置,工件缺陷样本数据集的数量一共为528张工件缺陷图,将其中随机的476张图像作为Faster RCNN网络结构模型的训练数据集,剩余的52张图像作为训练后的Faster R-CNN网络结构模型的测试数据集。

Faster R-CNN网络结构模型对于每个候选区域分别计算属于每个类别的概率以及变换参数,在对候选区域进行变换之后,还需要跟进候选区域属于各类别的概率进行筛选,筛选步骤如下:

图7-11 工件缺陷自动检测系统框架

①选出所有候选区域属于类别i的概率;

②根据候选区域属于类别i的概率进行非极大值抑制,滤除候选区域相互重叠面积大的区域,避免重复选择,阈值取0.3;

③对步骤②筛选后的候选区域,滤除概率小于CONF_THRESH候选区域,本模型CONF_THRESH值为0.8;

④重复步骤①~④直到所有的类别都经过筛选。

工件缺陷检测算法流程图如图7-12所示。

图7-12 工件缺陷检测算法流程图

针对候选区域网络(region proposal networks,RPN)模型以及选择搜索(selective search)算法对于候选框的提取进行质量测试实验,绘制了RPN网络与选择搜索算法提取的候选框的质量曲线图,指出了RPN网络提取的候选框具有更好的质量。针对Faster R-CNN网络模型对于尺寸较小的缺陷区域检测准确率不高的问题,提出了一种适用于工件缺陷检测的锚框设定方案,采用这种锚框设定方案,能够提高Faster R-CNN网络模型对于尺寸较小缺陷区域的检测准确率。针对本案例的工件缺陷测试集样本,实验结果表明,采用本案例锚框设定方案的Faster R-CNN网络结构模型检测时间多了50 ms,对于尺寸较小的气孔缺陷区域检测准确率从64%提高到100%,验证了本案例方法的有效性。通过与基于水平集的工件缺陷区域分割算法以及基于CNN的工件缺陷区域分类算法的对比实验表明,采用Faster R-CNN网络模型能够取得较高的检测准确率以及较快的检测速度,解决了缺陷区域分割检测的难题,并在实际生产环境中得到应用。