(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 202210959480.9 (22)申请日 2022.08.11 (71)申请人 南京耘瞳科技有限公司 地址 211106 江苏省南京市江宁区双龙 大 道1698号10 03-1005室 (72)发明人 贾佳　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 张力 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/766(2022.01) (54)发明名称 一种基于深度学习的铸件表面缺陷检测方 法 (57)摘要 本发明公开了一种基于深度学习的铸件表 面缺陷检测方法， 包括： 步骤1、 采集金属铸件表 面图像并进行图像预处理； 步骤2、 采用预处理后 的金属铸件表面图像构建金属铸件表面缺陷检 测数据集并标注缺陷种类， 训练基于深度学习的 铸件表面缺陷检测网络； 步骤3、 构建特征提取网 络， 对预处理后的图像进行特征提取， 得到图像 特征信息； 步骤4、 基于图像特征信息， 通过铸件 表面缺陷检测网络， 训练后的得到金属铸件表面 图像中缺陷的分类和定位检测结果。 本发明可实 现铸件表 面细微缺陷分析， 准确率高， 效率高， 能 显著降低人为主观性的干扰， 保证产品生产的可 靠性。 权利要求书2页 说明书4页 附图2页 CN 115294072 A 2022.11.04 CN 115294072 A 1.一种基于深度学习的铸件表面 缺陷检测方法， 其特 征在于， 包括： 步骤1、 采集金属铸件表面图像并进行图像预处 理； 步骤2、 采用预处理后的金属铸件表面图像构建金属铸件表面缺陷检测数据集并标注 缺陷种类以训练特 征提取网络和铸件表面 缺陷检测网络； 步骤3、 获取待检测的金属铸件表面图像， 对其进行步骤1的预处理后输入特征提取网 络， 进行特征提取， 输出图像特 征信息； 步骤4、 将步骤3输出的图像特征信息输入铸件表面缺陷检测网络， 得到金属铸件表面 图像中缺陷的分类和定位检测结果。 2.根据权利要求1所述的一种基于深度 学习的铸件表面缺陷检测方法， 其特征在于， 所 述步骤1中对原始图像数据进 行灰度转换， 然后进 行图像增强处理， 通过调节原始图像中的 亮度， 增强使图像中缺陷区域与背景区域之间的对比度。 3.根据权利要求2所述的一种基于深度 学习的铸件表面缺陷检测方法， 其特征在于， 所 述步骤1中亮度调节公式如下： I′＝ δ I+α, 其中， I代 表原始图像， I ′表示增强后的图像； δ 是用于调节像素亮度的参数， 计算公式如下： 其中， Δ是图像中所有像素点灰度值的均值； α 是公式中的一个偏差值。 4.根据权利要求1所述的一种基于深度 学习的铸件表面缺陷检测方法， 其特征在于， 步 骤2所述缺陷的种类包 含凹坑和凸包两类。 5.根据权利要求1所述的一种基于深度 学习的铸件表面缺陷检测方法， 其特征在于， 所 述步骤2中使用工具为Lab elImg对于金属铸件表面缺陷检测数据集进行缺陷种类标注， 该 工具输出格式为.xml的标注信息， 然后再将.xml文件格式转换为对应的.json文件， 得到数 据集对应的标注文件。 6.根据权利要求1所述的一种基于深度 学习的铸件表面缺陷检测方法， 其特征在于， 所 述步骤2中按照5:2:2的比例将金属铸件表面缺陷检测数据集划分为训练、 验证以及测试三 个子集， 分别用于特 征提取网络和铸件表面 缺陷检测网络的训练、 验证和 测试。 7.根据权利要求1所述的一种基于深度 学习的铸件表面缺陷检测方法， 其特征在于， 所 述特征提取网络包括残差单 元和多尺度特 征金字塔； 所述多尺度特 征金字塔在原 始特征金字塔的基础上， 添加特 征融合系数 8.根据权利要求7所述的一种基于深度 学习的铸件表面缺陷检测方法， 其特征在于， 所 述特征融合系数基于统计的方法计算得 出， 具体的： 其中， 表示第i+1层与第i层特 征之间的特 征融合系数；权　利　要　求　书 1/2 页 2 CN 115294072 A 2N表示在特 征层上与真实标注匹配的预测框数量； i表示特征层的索引， 根据特征金字塔{C2， C3， C4， C5}共四层， 其值可取范围为{4,3, 2}； ioun表示第n个预测框与对应真实标注之间的I oU匹配值。权　利　要　求　书 2/2 页 3 CN 115294072 A 3