輪轂表面缺陷檢測是輪轂企業(yè)生產(chǎn)物流過程中的重要一環(huán)。通過市場的初步調研 , 此前主要通過人工檢測進行缺陷肉眼檢測和分揀等。而由于汽車輪轂結構復雜,人工檢測的方法效率低、工作量大,此種檢測方式越來越難以滿足輪轂生產(chǎn)過程越來越高的快速、準確、穩(wěn)定的要求。

為了實現(xiàn)生產(chǎn)物流裝備自動化與智能化,提升輪轂制造 企業(yè)生產(chǎn)物流過程的效率,降低人工成本,針對上述情況 , 維視智造于2021年3月推出VisionBank Ai深度學習視覺解決方案，相繼針對性推出了基于深度學習的輪轂表面缺陷檢測解決方案。

1.輪轂生產(chǎn)線缺陷檢測系統(tǒng)流程設計。本系統(tǒng)包含完整的輪轂在線缺陷檢測流程,包括圖像采集、圖像預處理、輪轂圖像缺陷檢測等等。

2.建立輪轂表面缺陷數(shù)據(jù)庫。

具體流程是在生產(chǎn)線現(xiàn)場通過工業(yè)相機采集輪轂表面缺陷圖像,之后進行數(shù)據(jù)清洗,并通過專業(yè)標注軟件對缺陷圖像進行標注, 最終得到帶有精確標注的缺陷圖像數(shù)據(jù)庫。

3.識別模糊圖像。

采用消除模糊算法是基于深度學習的生成式對抗網(wǎng)絡實現(xiàn)的, 因此運算速度較慢,而采集的圖像中只有一部分圖像存在模糊現(xiàn)象,為了提高缺陷檢測算法系統(tǒng)的效率,在進行消除圖像模糊之前,設計算法識別模糊圖像 , 如檢測為模糊,則送入深度學習消除圖像模糊網(wǎng)絡。

若識別為清晰圖像,則直接進行輪轂圖像缺陷檢測。

4. 消除輪轂表面圖像模糊現(xiàn)象。

在對輪轂缺陷圖像進行檢測之前,需要對缺陷圖像進行預處理已滿足算法需求。由于本文提出的缺陷檢測系統(tǒng)中圖像采集階段是輪轂在生產(chǎn)線上輸送的同時進行的, 所以采集的輪轂圖像會存在運動模糊現(xiàn)象。 針對這一問題,本位提出了深度對抗學習算法,在不需要準確運動信息的條件下消除運動模糊。

5.輪轂圖像缺陷檢測。

給出缺陷位置以及缺陷類型。

1/5