原创 R-CNN模型汽车喷油器瑕疵检测

随着视觉检测技术的飞速发展，利用机器视觉检测目标产品缺陷的自动化制造生产线越来越多的软件和应用，生产效率得到了极大的提高，在使用机器代替人工进行缺陷检测方面已成为必然趋势。实际上，如何将工业生产与机器视觉检测技术更好地结合是一个非常困难的问题，尽管FasterR-CNN算法可以获得良好的检测性能，但是在汽车燃油阀座的应用中仍然存在很多问题：（1）喷油器座图像中的目标尺寸较小，无法准确识别和定位；（2）缺陷类型不是单一的，经常有图像是不同比例尺的缺陷，并且在测试过程中会受到光线等因素的影响，因此会出现泄漏和错误检查。鉴于以上问题，本文对FasterR-CNN算法中基于锚框的大小和数量进行了改进，并在特征提取网络的变化的同时引入了ResNet，Inception模块，通过一系列改进，让汽车的燃油阀座检测更加准确，满足工业检测的基本要求。

1个数据收集

在喷油器的气门座测试中，喷油器的气门座缺陷很小，肉眼无法识别。因此，需要放大喷射器的阀座的图像。同时，有必要克服其他外部光源的干扰，调整和设置焦距等参数，以获得清晰的缺陷图像，并保证采集图像的质量。在检测中，图像的准确性还直接影响判断缺陷的最终结果。

2图像数据处理

由于摄像机图像通常是彩色图像，色彩信息丰富，信息的冗余会增加后续图像处理的难度，因此，在实际生产中需要提出有效的图像预处理方法，操作会受到削弱或消除图像中不相关的信息，恢复对检测目标有用的真实信息。

3FastR-CNN算法

FasterR-CNN主要由三部分组成：特征提取层，RPN层和fasterR-CNN层。FasterR-CNN特征提取层使用VGG16网络模型，并通过Conv+ReLU+Pooling层提取图像特征图，这被认为是卷积神经网络中具有较好分类性能的网络模型。

4结论

以燃油阀座图像数据为研究对象，将深度学习目标检测方法应用于喷油器内部缺陷检测领域，并改进了基于FasterR-CNN，常见毛刺，划痕的检测模型在燃油阀座上，出现白色斑点，生锈斑点4类物体进行实验测试。加深实验网络会造成时间的浪费，内存不足，响应速度慢等。为了更好地应用于工业现场，在以后的研究中，可以用轻量级的网络训练代替，在减小模型尺寸时同时，还可以保持模型性能，技术投入可以更好地保证试验的可靠性和准确性，这对提高自动化生产水平和喷油器生产水平具有重要的现实意义。