本发明涉及零件视觉检测技术领域，尤其涉及一种基于卷积神经网络的零件识别与检测方法、系统及设备。
背景技术：
现有的大型民用飞机通常由数以万计的零配件组装而成，为了保证大型民用飞机的飞行安全，对零配件的各种参数的要求非常高。沉头孔和黑色遮盖孔是飞机制造工程中最常见的结构特征之一，大量存在于框、肋、壁板、蒙皮等各类飞机零配件上，沉头孔和黑色遮盖孔的加工质量是影响飞机寿命和飞行安全的重要因素，当其存在几何偏差等质量缺陷时，强迫装配产生的装配应力会对飞机安全构成极大隐患。由于飞机零配件尺寸较大、外形比较复杂，且零配件上的沉头孔数量较多，导致飞机零件上沉头孔和黑色遮盖孔位检测成为技术难点，用传统的测量方法检测比较麻烦，需要耗费大量的时间和人力，造成工作效率降低。
技术实现要素：
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于卷积神经网络的零件识别与检测方法、系统及设备。
本发明是通过以下技术方案予以实现：
一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括如下步骤：a.对各类待检测零件制作标准模板，生成检测模型；b.识别待检测零件的标准模板；c.将所述待检测零件摆放于工作台原点位置；d.扫描待检测零件正面图像，与所述标准模板对比，通过所述检测模型对所述待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；e.扫描待检测零件背面图像，与所述标准模板对比，识别标签信息并检测；f.输出检测结果。
根据上述技术方案，优选地，步骤a包括：将模板零件放置于工作台上并与原点对齐，扫描模板零件正面图像；对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记；对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存；使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；扫描模板零件背面图像；对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。
根据上述技术方案，优选地，所述沉头孔信息包括沉头孔大小以及沉头孔位置，所述黑色遮盖孔信息包括黑色遮盖孔半径以及黑色遮盖孔位置。
根据上述技术方案，优选地，步骤b包括：通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。
根据上述技术方案，优选地，步骤d还包括：将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。
本发明还公开了一种基于卷积神经网络的零件识别与检测系统，包括：训练单元，用于对各类待检测零件制作标准模板，生成检测模型；获取单元，用于识别待检测零件的标准模板；正面零件检测单元，用于将待检测零件摆放于工作台原点位置，扫描待检测零件正面图像，与标准模板对比，通过检测模型对待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；背面零件检测单元，用于扫描待检测零件背面图像，与标准模板对比，识别标签信息并检测；输出单元，用于输出检测结果。
根据上述技术方案，优选地，所述训练单元包括：正面信息提取模块，用于将模板零件放置于工作台上并与原点对齐，扫描模板零件正面图像，对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记，对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存，使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；背面信息提取模块，用于扫描模板零件背面图像，对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。
根据上述技术方案，优选地，所述获取单元包括：扫码模块，用于通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。
根据上述技术方案，优选地，所述正面零件检测单元包括：矫正模块，包括将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。
本发明还公开了一种基于卷积神经网络的零件识别与检测设备，包括工作台、设于工作台上方的上图像采集机构以及设于工作台下方的下图像采集机构，所述上图像采集机构包括水平设置的滑轨、与滑轨滑动连接的多个安装架以及与安装架固接的第一摄像头，所述下图像采集机构包括相对设置两个第一导轨、滑动连接于两第一导轨之间的第二导轨、与第二导轨滑动连接的定位架以及与定位架固接的第二摄像头。
本发明的有益效果是：
将待检测零件摆放于工作台上，通过图像识别将待检测零件的标签、沉头孔以及黑色遮盖孔的数量、种类及位置与标准模板进行对比，判断零件上的沉头孔、黑色遮盖孔以及标签是否符合要求，检测速度快，为飞机零件上的大量小尺寸沉头孔提供了快速数字化的检测手段，使用方便快捷，精度稳定可靠，大幅提高了检测的效率，有效减少了检测人员的工作量。
附图说明
图1是本发明的工作流程示意图。
图2是本发明的主视结构示意图。
图中：1、滑轨；2、安装架；3、第一摄像头；4、钢化玻璃；5、可变色膜；6、工作台；7、定位架；8、第二摄像头；9、第二导轨。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
如图所示，本发明包括如下步骤：a.对各类待检测零件制作标准模板，生成检测模型；b.识别待检测零件的标准模板；c.将所述待检测零件摆放于工作台6原点位置；d.扫描待检测零件正面图像，与所述标准模板对比，通过所述检测模型对所述待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；e.扫描待检测零件背面图像，与所述标准模板对比，识别标签信息并检测；f.输出检测结果，本例中，输出检测结果时，将正确的沉头孔用绿色标记，错误的沉头孔用红色标记，底面标签识别正确也相应的显示在屏幕中，如果遮盖孔半径比预设的长度超过预定范围，也需要报警提示，此外，对零件的检测数据，如检测照片、零件件号、工单号、检测时间、检测结果等信息，进行保存并自动生成电子报告。将待检测零件摆放于工作台6上，通过图像识别将待检测零件的标签、沉头孔以及黑色遮盖孔的数量、种类及位置与标准模板进行对比，判断零件上的沉头孔、黑色遮盖孔以及标签是否符合要求，检测速度快，为飞机零件上的大量小尺寸沉头孔提供了快速数字化的检测手段，使用方便快捷，精度稳定可靠，大幅提高了检测的效率，有效的减少了检测人员的工作量。
根据上述实施例，优选地，步骤a包括：将模板零件放置于工作台6上并与原点对齐，扫描模板零件正面图像；对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记；对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存；使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型,本例中可以使用例如frcnn、yolo等网络对已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练；扫描模板零件背面图像；对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。在对沉头孔进行训练的过程中，需要提前采集多种形变孔，进行训练，避免判断出存在问题的沉头孔是由不同角度拍照导致的不同形变造成的，有效提高检测精度。
根据上述实施例，优选地，所述沉头孔信息包括沉头孔大小以及沉头孔位置，所述黑色遮盖孔信息包括黑色遮盖孔半径以及黑色遮盖孔位置。将零件一角与工作台6原点对齐，由最基本的构建平台物理坐标与图像像素坐标之间坐标系关系，以确定沉头孔和黑色遮盖孔的位置坐标，将待检测沉头孔、黑色遮盖孔与标准模板相比对，如果两个对应的位置的公差大于模板中记录的公差，则在算法标记为可疑位置；除此之外，通过提取坐标得出图像上黑色遮盖孔的直径宽度后，根据坐标系与图像比例尺得到直径大小。
根据上述实施例，优选地，步骤b包括：通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。通过扫码枪读取每个待检测零件的工单信息，便于提取该零件的标准模板的同时，可将对零件的检测数据与该对应零件进行绑定，并自动生成电子报告。
根据上述实施例，优选地，步骤d还包括：将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。通过算法对待检测零件先根据标准模板进行矫正，达到图像上跟标准模板几乎吻合的位置，以便准确确定沉头孔和黑色遮盖孔的位置坐标。
本发明还公开了一种基于卷积神经网络的零件识别与检测系统，包括：训练单元，用于对各类待检测零件制作标准模板，生成检测模型；获取单元，用于识别待检测零件的标准模板；正面零件检测单元，用于将待检测零件摆放于工作台6原点位置，扫描待检测零件正面图像，与标准模板对比，通过检测模型对待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；背面零件检测单元，用于扫描待检测零件背面图像，与标准模板对比，识别标签信息并检测；输出单元，用于输出检测结果。
根据上述实施例，优选地，所述训练单元包括：正面信息提取模块，用于将模板零件放置于工作台6上并与原点对齐，扫描模板零件正面图像，对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记，对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存，使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；背面信息提取模块，用于扫描模板零件背面图像，对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。
根据上述实施例，优选地，所述获取单元包括：扫码模块，用于通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。
根据上述实施例，优选地，所述正面零件检测单元包括：矫正模块，包括将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。
本发明还公开了一种基于卷积神经网络的零件识别与检测设备，包括工作台6、设于工作台6上方的上图像采集机构以及设于工作台6下方的下图像采集机构，本例中工作台6表面为钢化玻璃4，所述钢化玻璃4表面覆有可变色膜5，可变色膜5通电时为暗色半透明，断电时为几乎无色透明，此设置可以实现同时检查零件正反面的功能，检测时零件不需要人工翻面，所述上图像采集机构包括水平设置的滑轨1、与滑轨1滑动连接的多个安装架2以及与安装架2固接的第一摄像头3，根据零件大小确定需使用的第一摄像头3个数，第一摄像头3沿滑轨1水平移动，移动距离为4000mm，相机运行频率为40khz，则最大成像时间为0.6秒左右，所述下图像采集机构包括相对设置两个第一导轨、滑动连接于两第一导轨之间的第二导轨9、与第二导轨9滑动连接的定位架7以及与定位架7固接的第二摄像头8，第二摄像头8可沿x轴、y轴移动，主要用于采集零件下方所贴标签，会自动在飞机零件背面截取的图片中，将标签提取出来，矫正，再进行识别，所述第一导轨的垂直投影与滑轨1垂直投影垂直，第二导轨9垂直投影与滑轨1垂直投影平行，本例中通过伺服电机驱动各摄像头移动，本例中还设置有激光标记振镜机构，通过两个舵机驱动两个振镜，调整激光指向至缺陷位置。第一摄像头3和第二摄像头8分别扫描待检测零件的正面和背面图像，传送至gpu工控机，通过图像识别将待检测零件的标签、沉头孔以及黑色遮盖孔的数量、种类及位置与标准模板进行对比，将检测结果传送至显示器中自动生成电子报告。
将待检测零件摆放于工作台6上，通过图像识别将待检测零件的标签、沉头孔以及黑色遮盖孔的数量、种类及位置与标准模板进行对比，判断零件上的沉头孔、黑色遮盖孔以及标签是否符合要求，检测速度快，为飞机零件上的大量小尺寸沉头孔提供了快速数字化的检测手段，使用方便快捷，精度稳定可靠，大幅提高了检测的效率，有效的减少了检测人员的工作量。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
1.一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括如下步骤：a.对各类待检测零件制作标准模板，生成检测模型；b.识别待检测零件的标准模板；c.将所述待检测零件摆放于工作台原点位置；d.扫描待检测零件正面图像，与所述标准模板对比，通过所述检测模型对所述待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；e.扫描待检测零件背面图像，与所述标准模板对比，识别标签信息并检测；f.输出检测结果。
2.根据权利要求1所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，步骤a包括：将模板零件放置于工作台上并与原点对齐，扫描模板零件正面图像；对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记；对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存；使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；扫描模板零件背面图像；对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。
3.根据权利要求2所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，所述沉头孔信息包括沉头孔大小以及沉头孔位置，所述黑色遮盖孔信息包括黑色遮盖孔半径以及黑色遮盖孔位置。
4.根据权利要求1或3所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，步骤b包括：通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。
5.根据权利要求4所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，步骤d还包括：将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。
6.一种基于卷积神经网络的零件识别与检测系统，基于权利要求1或4所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括：
训练单元，用于对各类待检测零件制作标准模板，生成检测模型；
获取单元，用于识别待检测零件的标准模板；
正面零件检测单元，用于将待检测零件摆放于工作台原点位置，扫描待检测零件正面图像，与标准模板对比，通过检测模型对待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；
背面零件检测单元，用于扫描待检测零件背面图像，与标准模板对比，识别标签信息并检测；
输出单元，用于输出检测结果。
7.根据权利要求6所述一种基于卷积神经网络的零件识别与检测系统，其特征在于，所述训练单元包括：正面信息提取模块，用于将模板零件放置于工作台上并与原点对齐，扫描模板零件正面图像，对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记，对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存，使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；背面信息提取模块，用于扫描模板零件背面图像，对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。
8.根据权利要求7所述一种基于卷积神经网络的零件识别与检测系统，其特征在于，所述获取单元包括：扫码模块，用于通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。
9.根据权利要求8所述一种基于卷积神经网络的零件识别与检测系统，其特征在于，所述正面零件检测单元包括：矫正模块，包括将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。
10.一种基于卷积神经网络的零件识别与检测设备，基于权利要求1或4所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括工作台、设于工作台上方的上图像采集机构以及设于工作台下方的下图像采集机构，所述上图像采集机构包括水平设置的滑轨、与滑轨滑动连接的多个安装架以及与安装架固接的第一摄像头，所述下图像采集机构包括相对设置两个第一导轨、滑动连接于两第一导轨之间的第二导轨、与第二导轨滑动连接的定位架以及与定位架固接的第二摄像头。
技术总结