发明公布-202010724049.7-一种金属粉末注射成型外观缺陷检测方法及系统

adminmo 2

<blockquote>
以下内容整理自《发明公布-202010724049.7-一种金属粉末注射成型外观缺陷检测方法及系统.pdf》
</blockquote>

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 111951232 A
(43)申请公布日 2020.11.17
(21)申请号 202010724049 .7
(22)申请日 2020 .07 .24
(71)申请人上海微亿智造科技有限公司
地址 201100 上海市闵行区元江路5500号
第1幢
申请人常州微亿智造科技有限公司
(72)发明人王罡陈红星朱志庭
侯大为
(74)专利代理机构上海段和段律师事务所
代理人李佳俊郭国中
(51)Int .Cl .
G06T 7/00 (2017 .01)
G06K 9/62 (2006 .01)
G06N 3/04 (2006 .01)
G06N 3/08 (2006 .01)
权利要求书2页
CN 111951232 A
(54)发明名称
一种金属粉末注射成型外观缺陷检测方法
及系统
(57)摘要
本发明提供了一种金属粉末注射成型外观
缺陷检测方法及系统，
包括：
以预设比例采集工
业现场金属粉末注射成型工件的良品图像及缺
陷图像，
得到图像数据；
对图像数据进行预处理
并进行图像数据扩充，
得到处理后的图像数据；
利用标注软件对处理后的图像数据进行标注；
标注的图像数据集文件格式转化为符合深度学
习模型训练的图像数据集，
按照预设比例将数据
集划分为训练集、验证集及测试集；
基于计算机
视觉深度神经网络对图像数据的处理，
搭建深度
学习模型；
以划分好的数据集训练深度学习模
用深度学习模型对真实场景工件进行外观缺
陷检测，
给出检测结果判定并进行量化；
本发明
具有高稳定性，
高检出率。
说明书8页
附图2页
CN 111951232 A
1/2 页
1 .一种金属粉末注射成型外观缺陷检测方法，
其特征在于，
包括：
步骤M1：
以预设比例采集工业现场金属粉末注射成型工件的良品图像及缺陷图像，
到图像数据；
步骤M2：
对图像数据进行预处理并进行图像数据扩充，
得到处理后的图像数据；
步骤M3：
利用标注软件对处理后的图像数据进行标注；
步骤M4：
对标注的图像数据集文件格式转化为符合深度学习模型训练的图像数据集，
按照预设比例将数据集划分为训练集、
验证集及测试集；
步骤M5：
基于计算机视觉深度神经网络对图像数据的处理，
搭建深度学习模型；
步骤M6：
以划分好的数据集训练深度学习模型；
步骤M7：用深度学习模型对真实场景工件进行外观缺陷检测，
给出检测结果判定并进
行量化；
所述深度学习模型是图像和标签之间建立的的一种数学模型，
对输入的图像中的某一
对象进行类别判定和位置定位。
2 .根据权利要求1所述的金属粉末注射成型外观缺陷检测方法，
其特征在于，
所述步骤
M2中图像数据扩充包括：
图像旋转、
随机裁剪、
随机增高高斯噪点、
图像缩放和/或轻微投射
变换。
3 .根据权利要求1所述的金属粉末注射成型外观缺陷检测方法，
其特征在于，
所述步骤
M5中深度学习模型包括分割网络和分类网络；
所述分割网络学习图像中每个像素点所述的分类类别，
包括背景像素类别和缺陷像素
类别；
所述分类网络在分割网络的基础上对提取的背景区域和缺陷区域中的每个像素点作
出判定给出每个像素点属于背景像素类别和缺陷像素类别的可能性，
即置信度。
4 .根据权利要求3所述的金属粉末注射成型外观缺陷检测方法，
其特征在于，
所述步骤
M5中深度学习模型包括输入层、
卷积层、
池化层、
特征融合层、
类别判定模层和输出层；
所述卷积层对所述输入层进行特征抽取，
过滤无用信息并保留特征有效信息；
所述池化层对所述卷积层处理之后保留的有效信息进行降维处理；
所述特征融合层是对具有相同维度的不同层进行跨层连接；
所述类别判定层将所述特征融合层得到的特征信息量化为某个类别的概率值；
所述输出层经过卷积层、池化层、特征融合层、类别判定层之后输出向量[m ,n ,c ,s]作
为结果，
表征一幅图像中各个像素值得类别置信度；
其中m表示图像宽度，
n表示图像高度，
表示类别；
s表示置信度。
5 .根据权利要求1所述的金属粉末注射成型外观缺陷检测方法，
其特征在于，
所述步骤
M6包括：
将划分好的数据集中训练集中的所有图像进行训练，
训练时分别训练图像中的良
品图像和缺陷图像，
训练预设次后，
预测结果和真实结果之间的差值无明显减小时，
停止训
6 .一种金属粉末注射成型外观缺陷检测系统，
其特征在于，
包括：
模块M1：
以预设比例采集工业现场金属粉末注射成型工件的良品图像及缺陷图像，
到图像数据；
模块M2：
对图像数据进行预处理并进行图像数据扩充，
得到处理后的图像数据；
CN 111951232 A
2/2 页
模块M3：
利用标注软件对处理后的图像数据进行标注；
模块M4：
对标注的图像数据集文件格式转化为符合深度学习模型训练的图像数据集，
按照预设比例将数据集划分为训练集、
验证集及测试集；
模块M5：
基于计算机视觉深度神经网络对图像数据的处理，
搭建深度学习模型；
模块M6：
以划分好的数据集训练深度学习模型；
模块M7：用深度学习模型对真实场景工件进行外观缺陷检测，
给出检测结果判定并进
行量化；
所述深度学习模型是图像和标签之间建立的的一种数学模型，
对输入的图像中的某一
对象进行类别判定和位置定位。
7 .根据权利要求6所述的金属粉末注射成型外观缺陷检测系统，
其特征在于，
所述模块
M2中图像数据扩充包括：
图像旋转、
随机裁剪、
随机增高高斯噪点、
图像缩放和/或轻微投射
变换。
8 .根据权利要求6所述的金属粉末注射成型外观缺陷检测系统，
其特征在于，
所述模块
M5中深度学习模型包括分割网络和分类网络；
所述分割网络学习图像中每个像素点所述的分类类别，
包括背景像素类别和缺陷像素
类别；
所述分类网络在分割网络的基础上对提取的背景区域和缺陷区域中的每个像素点作
出判定给出每个像素点属于背景像素类别和缺陷像素类别的可能性，
即置信度。
9 .根据权利要求8所述的金属粉末注射成型外观缺陷检测系统，
其特征在于，
所述模块
M5中深度学习模型包括输入层、
卷积层、
池化层、
特征融合层、
类别判定模层和输出层；
所述卷积层对所述输入层进行特征抽取，
过滤无用信息并保留特征有效信息；
所述池化层对所述卷积层处理之后保留的有效信息进行降维处理；
所述特征融合层是对具有相同维度的不同层进行跨层连接；
所述类别判定层将所述特征融合层得到的特征信息量化为某个类别的概率值；
所述输出层经过卷积层、池化层、特征融合层、类别判定层之后输出向量[m ,n ,c ,s]作
为结果，
表征一幅图像中各个像素值得类别置信度，
其中m表示图像宽度，
n表示图像高度，
表示类别；
s表示置信度。
10 .根据权利要求6所述的金属粉末注射成型外观缺陷检测系统，
其特征在于，
所述模
块M6包括：
将划分好的数据集中训练集中的所有图像进行训练，
训练时分别训练图像中的
良品图像和缺陷图像，
训练预设次后，
预测结果和真实结果之间的差值无明显减小时，
训练。
CN 111951232 A
1/8 页
一种金属粉末注射成型外观缺陷检测方法及系统
技术领域
[0001] 本发明涉及计算机视觉和深度学习领域，
具体地，
涉及一种金属粉末注射成型外
观缺陷检测方法及系统，
更为具体地，
涉及一种MIM金属粉末注射成型外观缺陷检测方法，
应用于金属粉末注射成型类工件的外观缺陷检测。
背景技术
[0002] 工业生产过程中，
最重要的任务之一是确保成品的质量，
尤其是对产品表面的检
测。通常，
产品表面的质量检测是有车间工人手动进行，
这样的检测方式都非常耗时，
低下并且严重限制生产力。
几年前，
传统的机器视觉方法已经足够解决这些问题，
但是在工
业4 .0环境下，
智能工厂正在朝着产品的普遍化发展，
需要重新适应新产品的要求。传统机
器视觉的技术不具备这种灵活性，
因为这种技术方案是手工设计的特征只能适用于某个特
定领域，
一旦产品线发生了变化或者生产环境变了，
这种方法都要重新修改甚至推翻重新
设计。一种解决方案是在大量数据驱动下可以找到提高灵活性的低点，
深度学习方法可以
快速适应新型产品和仅通

<hr>
有没有同行遇到过同样的问题？分享一下经验。