一种基于深度学习的虚拟装配缺陷检测方法

本发明涉及缺陷检测，尤其是一种基于深度学习的虚拟装配缺陷检测方法。

背景技术：

1、虚拟仿真试验是以计算机为基础进行发展。当前，虚拟仿真试验已经运用于各个领域当中，通过虚拟仿真试验进行虚拟装配缺陷检测能够避免现实试验中出现问题后造成不必要的损失。

2、虚拟仿真试验成功后要运行在现实情况之中，因此虚拟装配缺陷检测方法显得尤为重要，但目前尚存的方法都是基于简单模型的虚拟装配检测并且由人工进行虚拟仿真试验图像的输入并不能做到实时检测，因此存在导致风险的可能性，故本发明提出一种基于深度学习的虚拟装配缺陷检测方法。

技术实现思路

1、本发明的目的是通过提出一种基于深度学习的虚拟装配缺陷检测方法，以解决上述背景技术中提出的缺陷。

2、本发明采用的技术方案如下：

3、提供一种基于深度学习的虚拟装配缺陷检测方法，包括如下步骤：

4、s1：通过检测装置，获取虚拟装配过程的图像信息；

5、s2：提取虚拟装配过程的图像信息，并对虚拟装配过程的图像信息进行预处理；

6、s3：以预处理信息为原始信息构建并训练深度学习网络，获得深度学习模型；

7、s4：将深度学习模型部署到系统中进行应用当虚拟装配缺陷存在时进行自动预警。

8、作为本发明的一种优选技术方案：所述s2中的预处理操作包括图像降噪、图像标注、图像增强。

9、作为本发明的一种优选技术方案：所述图像降噪是通过对虚拟装配过程的信息进行中值滤波计算公式如下：

10、；

11、其中为降噪后i行j列对应的像素值，为降噪前k行l列对应的像素值，为降噪邻域大小。

12、作为本发明的一种优选技术方案：所述图像标注是通过matlab自带的大图像标注器对降噪后的数据进行标注。

13、作为本发明的一种优选技术方案：所述图像增强计算公式如下：

14、；

15、其中为处理后图像对应的像素点（i,j）对应的像素值，为原始的图像对应的像素点（i，j）的像素值，为空间转化函数。

16、作为本发明的一种优选技术方案：所述深度学习网络为深度学习算法，算法步骤如下：

17、s3.1：将虚拟装配过程的图像信息和图像增强后的虚拟装配过程的图像像素点通过大图像标注器标注后作为深度学习模型训练的输入；

18、s3.2：构造网络的输入层、隐藏层、输出层；

19、s3.3：将大图像标注器标注后的虚拟装配图像信息进行切割分为训练集和测试集；

20、s3.4：构建损失函数；

21、s3.5：重复隐藏层工作直至损失函数收敛输出所有参数。

22、作为本发明的一种优选技术方案：

23、所述深度学习包括卷积层、池化层、全连接层，具体如下：

24、卷积层：

25、；

26、；

27、；

28、其中a为卷积核，为卷积核内的数据，卷积核内存储的数据是用于特征提取的权重参数，这些参数通过训练过程学习得到，可以捕捉到输入数据中与缺陷相关的特征，x为原始输入虚拟装配过程的特征图，为图像增强后的虚拟装配过程的图像像素点对应的像素值，b为偏置矩阵，c为计算后得到的矩阵；

29、池化层：

30、；

31、其中为池化后得到的像素值，nm为池化层选取步长的大小；

32、全连接层：正向传播：

33、；

34、其中a为正向传播的输入，为正向传播权重系数，为第i个神经元的偏置值，为激活后的向量，为激活函数，为池化后得到的像素值,反向传播：

35、；

36、；

37、；

38、其中loss为损失函数，为学习率，为模型的预测值，为真实的目标值，最后得到预测结果：

39、；

40、其中为最终预测结果，为对应像素点（i,j）的像素值。

41、作为本发明的一种优选技术方案：所述深度学习的虚拟装配缺陷检测识别模型是通过卷积层、池化层和全连接层训练获得。

42、作为本发明的一种优选技术方案：所述将深度学习模型部署到系统是将虚拟装配缺陷检测识别模型部署到系统cpu或gpu中进行后续输入预测。

43、作为本发明的一种优选技术方案：所述s4中自动预警是将训练模型部署到cpu或gpu中当运行检测到虚拟装配缺陷存在时控制计算机。

44、本发明提供的基于深度学习的虚拟装配缺陷检测方法，与现有技术相比，其有益效果有：

45、本发明通过计算机自动获得虚拟装配的装配过程图进行图像预处理，对预处理的数据进行图像增强获得更多原始数据作为模型训练的输入值，能够满足更为复杂的深度学习模型，通过卷积神经网络对输入值进行神经网络模型训练，对训练好的数据直接部署到计算机cpu或者gpu当中，当计算机进行虚拟装配仿真试验时，不需要对数据进行收集计算机就能自己收集数据并传送至模型当中自动检测，当检测结果出现异常时系统就会自动产生预警。

技术特征：

1.一种基于深度学习的虚拟装配缺陷检测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述s2中的预处理操作包括图像降噪、图像标注、图像增强。

3.根据权利要求2所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述图像降噪是通过对虚拟装配过程的信息进行中值滤波，计算公式如下：

4.根据权利要求2所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述图像标注是通过matlab自带的大图像标注器对降噪后的数据进行标注。

5.根据权利要求4所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述图像增强计算公式如下：

6.根据权利要求1所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述深度学习网络为深度学习算法，算法步骤如下：

7.根据权利要求6所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述深度学习包括卷积层、池化层、全连接层，具体如下：

8.根据权利要求7所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述深度学习的虚拟装配缺陷检测识别模型是通过卷积层、池化层和全连接层训练获得。

9.根据权利要求8所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述将深度学习模型部署到系统是将虚拟装配缺陷检测识别模型部署到系统cpu或gpu中进行后续输入预测。

10.根据权利要求9所述的基于深度学习的虚拟装配缺陷检测方法，其特征在于：所述s4中自动预警是将训练模型部署到cpu或gpu中当运行检测到虚拟装配缺陷存在时控制计算机。

技术总结
本发明涉及缺陷检测技术领域，尤其为一种基于深度学习的虚拟装配缺陷检测方法，包括如下步骤：S1：通过检测装置，获取虚拟装配过程的图像信息；S2：提取虚拟装配过程的图像信息，并对虚拟装配过程的图像信息进行预处理；S3：以预处理信息为原始信息构建并训练深度学习网络，获得深度学习模型；S4：将深度学习模型部署到系统中进行应用当虚拟装配缺陷存在时进行自动预警。本发明对预处理的数据进行图像增强获得更多原始数据作为模型训练的输入值，当计算机进行虚拟装配仿真试验时，不需要对数据进行收集计算机就能自己收集数据，并传送至模型当中自动检测，当检测结果出现异常时系统就会自动产生预警。

技术研发人员：闫岩,孙显彬,张站奇
受保护的技术使用者：青岛理工大学
技术研发日：
技术公布日：2024/1/13