(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211120615.9 (22)申请日 2022.09.15 (66)本国优先权数据 202211108983.1 202 2.09.13 CN (71)申请人 安徽大学 地址 230601 安徽省合肥市经济技 术开发 区九龙路1 11号 (72)发明人 陈鹏　郑裕成　郑春厚　章军　 王兵　向昕　张成龙　 (74)专利代理 机构 合肥国和专利代理事务所 (普通合伙) 34131 专利代理师 吴娜 (51)Int.Cl. G01N 21/89(2006.01) G01N 21/01(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的铝合金管图像缺陷检测装 置及方法 (57)摘要 本发明涉及一种基于深度学习的铝合金管 图像缺陷检测装置， 包括支撑架， 支撑架包括底 座和支撑杆， 支撑杆安装在底座上， 支撑杆上从 上至下依次安装线阵相机和线阵光源， 线阵相机 通过可调支架安装在支撑杆上， 线阵光源通过光 源支架安装在支撑杆上， 驱动电机、 主动齿轮和 圆柱体转筒安装在底座上， 驱动电机的输出端与 主动齿轮的一端相连， 主动齿轮的另一端与圆柱 体转筒固连， 待测铝合金管位于圆柱体转筒上， 线阵相机与PC机双向通 讯。 本发明还公开了一种 基于深度学习的铝合金管图像缺陷检测装置的 检测方法。 本发明具有较高的检测精度和召回 率， 大大提高了划痕缺陷的检测精度， 提高 Resnet50 ‑YOLOv3网络模型的表征能力， 减少无 效目标干 扰， 提高了整体 检测精度。 权利要求书2页 说明书4页 附图2页 CN 115541604 A 2022.12.30 CN 115541604 A 1.一种基于深度 学习的铝合金管图像缺陷检测装置， 其特征在于： 包括支撑架， 支撑架 包括底座和支撑杆， 支撑杆安装在底座上， 支撑杆上从上至下依 次安装线阵相 机和线阵光 源， 线阵相机通过可调支架 安装在支撑杆上， 线阵光源通过光源支架 安装在支撑杆上， 驱动 电机、 主动齿轮和圆柱体转筒安装在底座上， 驱动电机的输出端与主动齿轮的一端相连， 主 动齿轮的另一端与圆柱体转筒固连， 待测铝合金管位于圆柱体转筒上， 线阵相机与PC机双 向通讯。 2.根据权利要求1所述的基于深度学习的铝合金管图像缺陷检测装置， 其特征在于： 所 述支撑架还 包括多个支撑腿， 多个支撑腿安装在底座的下端。 3.根据权利要求1所述的基于深度学习的铝合金管图像缺陷检测装置， 其特征在于： 所 述圆柱体转筒和主动齿轮的个数均为两个， 驱动电机通过主动齿轮带动圆柱体转筒匀速转 动； 所述线阵光源采用卤素灯， 线阵光源、 线阵相机、 待测铝合金管位于一条直线 上， 确保线 阵光源照射在待测铝合金 管的中线位置， 线阵相机采用变焦镜 头。 4.根据权利要求1至3中任一项所述的基于深度学习的铝合金管图像缺陷检测装置的 检测方法， 其特 征在于： 该 方法包括下列顺序的步骤： (1)将待测铝合金管放置在圆柱体转筒上， 调整线阵光源的位置， 调整线阵相机使其位 于待测铝合金管的正上方， 使线阵相机、 线阵光源和待测铝合金管位于一条直线 上； 启动驱 动电机， 驱动电机通过主动齿轮带动圆柱体转筒匀速旋转， 线阵光源发出 的光垂直照射到 待测铝合金管 的母线上， 直至待测铝合金管匀速绕自身轴线转动一周， 完成待测铝合金管 一条母线的图像采集； 线阵相机完成对待测铝合金管 的表面图像采集完成后， 拍摄后的图 像传输至PC机中； (2)PC机接收线阵相机采集的图像后， 针对具有穿孔、 划痕的铝合金管图像， 通过 LabelMe工具制作标签， 将采集到的具有穿孔、 划痕的铝合金管图像随机 分成训练集和测试 集， (3)构建Resnet5 0‑YOLOv3网络模型； (4)采用迁移学习的方法， 采用东北大学轧钢表面缺陷数据集对Resnet50 ‑YOLOv3网络 模型进行 预训练， 得到预训练权 重， 将预训练权 重作为网络训练的初始化权 重； (5)使用训练集对经过预训练后的ResNet50 ‑YOLOv3网络模型进行训练和参数调整， 最 终得到最优ResNet50 ‑YOLOv3网络模型， 将测试集输入最优ResNet50 ‑YOLOv3网络模型中， 输出目标检测结果； (6)将目标检测结果标定出缺陷区域后进行缺陷数目统计， 根据设定的阈值进行分类， 若目标检测结果中缺陷数目大于设定的阈值， 则为有缺陷产品， 反 之， 则为合格产品。 5.根据权利要求 4所述的检测方法， 其特 征在于： 所述 步骤(3)具体包括以下步骤： (3a)将YOLOv3的骨干网络由darknet53模块替换为ResNet50， 形成ResNet50骨干网络， ResNet50骨干网络包括第一残差块layer0、 第二残差块layer1、 第三残差块layer2、 第四残 差块layer3和第五残差块layer4， 将第五残差块layer4中的具有3*3卷积核步长的卷积层 替换为变形 卷积核DCNv2； (3b)将第三残差块layer2、 第四残差块layer3、 第五残差块layer4分别一一对应引出 第一输出分支、 第二输出分支和第三输出分支， 在第三输出分支后添加CBAM注意力机制模 块；权　利　要　求　书 1/2 页 2 CN 115541604 A 2(3c)使用第一输出分支、 第二输出分支和第三输出分支构建特征池化金字塔模块， 调 整特征池化金字塔模块输入特征图通道数为[512,1024,2048]， 调整特征池化金字塔模块 输出特征图通道数为[25 6,512,1024]。 6.根据权利要求4所述的检测方法， 其特征在于： 所述步骤(4)具体是指： 以0.001的学 习率， 训练100个 回合， 保存所有回合中最高mAP的Resnet50 ‑YOLOv3网络模型， 得到预训练 权重， 将预训练权 重作为网络训练的初始化权 重。权　利　要　求　书 2/2 页 3 CN 115541604 A 3