(19)中华 人民共和国 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 202111611195.X (22)申请日 2021.12.27 (71)申请人 青岛科技大 学 地址 266000 山东省青岛市崂山区松岭路 99号 (72)发明人 高德欣　杜玉蓉　杨清　王怀志　 李学强　 (74)专利代理 机构 青岛中天汇智知识产权代理 有限公司 37241 代理人 孟琦 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机器视觉的全自动BLDC电机绕线机产 品缺陷检测方法 (57)摘要 本发明涉及绕线机产品的缺陷检测技术领 域， 具体公开基于机器视觉的全自动BLDC电机绕 线机产品缺陷检测方法， 包括步骤： S1： 选取全自 动BLDC电机绕线机缺陷产品图像数据， 构建全自 动BLDC电机绕线机缺陷产品数据集； S2： 对缺陷 产品数据集进行预处理， 得到预处理数据集， 并 将其按VOC格式划分为训练集、 测试集和验证集； S3： 将ShuffleNet网络作为主干网络， 构建轻量 化改进的YOLOv4网络； S4： 使用预处理数据集对 改进的YOLOv4网络进行训练， 得到缺陷检测网 络； S5： 将全自动BLDC电机绕线机产品数据输入 缺陷检测 网络， 得到产品的缺陷检测结果。 本发 明中YOLOv4主干网络为ShuffleNetv2网络， 并对 其相关模块进行轻量化改进， 可以大幅度降低网 络参数， 减少计算量， 提升检测 网络的速度与精 度。 权利要求书3页 说明书8页 附图4页 CN 114240923 A 2022.03.25 CN 114240923 A 1.基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， 包括以下 步骤： S1： 选取全自动BLDC电机绕线机缺陷产品图像数据， 构建全自动BLDC电机绕线机缺陷 产品数据集； S2： 对缺陷产品数据集进行预处理， 得到预处理数据集， 并将其按VOC格式划分为训练 集、 测试集和验证集； S3： 将Shuf fleNet网络作为主干网络， 构建轻量 化改进的YOLOv4网络； S4： 使用预处 理数据集对改进的YOLOv4网络进行训练， 得到缺陷检测网络； S5： 将全自动BLDC电机绕线机产品数据输入缺陷检测网络， 得到产品的缺陷检测结果。 2.根据权利要求1所述的基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， 所述步骤S1选取的全自动BLDC电机绕线机缺陷产品图像， 包括全自动BLDC电 机绕线机产品线圈的凸起图像、 飞出图像、 断线图像和跨线图像。 3.根据权利要求1所述的基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， 所述步骤S2对步骤S1中选取的缺陷产品数据集进行预处理， 得到预处理数据 集， 并按VOC格式进行 数据集划分， 具体包括以下步骤： (1)图片筛选， 对选取的缺陷产品图片进行筛选， 保留满足输入尺寸要求的缺陷产品图 片； (2)图片增强， 为了避免缺陷产品数据集过小使训练的网络模型出现过拟合现象， 需要 对缺陷产品图片采取数据增强的方法提高模型的鲁棒性和泛化能力。 常用数据扩充发对缺 陷图像进行 数据增强， 例如： 更改图像曝光度、 饱和度、 色度以及位置 旋转变换； (3)缺陷标注， 对筛选、 增强后的缺陷图片使用labelImg软件进行缺陷标签标注， 包括 凸起、 飞出、 断线、 跨线； (4)数据集划 分， 将标注后的预处理数据集按照VOC数据格式， 依据7∶2∶1比例， 划 分为 训练集、 测试集和验证集。 4.根据权利要求1所述的基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， 所述 步骤S3改进YOLOv4网络具体为： 改进后的YOLOv4主干网络为ShuffleNet网络， 加强特征提取网络中的卷积层为深度可 分离卷积， 网络中激活函数为Mish激活函数， 并对其轻量化网络中的Resblock ‑body模块进 行相应改进。 5.根据权利要求4所述的基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， ShuffleNet网络为ShuffleNetv2网络， ShuffleNetv2优势在于引入了逐点分 组卷积与通道混洗 。 标准卷积过程中参数量 为： Cin×K×K×Cout    (1) 分组卷积的参数量 为： 上式中， Cin为输入通道 数， Cout为输出通道 数， K×K为卷积核的大小， G为分组数量， 对比 式(1)和式(2)， 分组卷积可将参数量减少为原来的1/G。权　利　要　求　书 1/3 页 2 CN 114240923 A 26.根据权利要求4所述的基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， 深度可分离卷积＝深度卷积+逐点卷积， 与标准卷积相比参数量更少， 计算速 度快。 标准卷积的乘法计算 量为： H×W×Cin×Cout×K×K    (3) 标准卷积的参数量 为： Cin×Cout×K×K    (4) 深度可分离卷积的总乘法计算 量为： H×W×Cin×K×K+H×W×Cin×Cout    (5) 深度可分离卷积的参数量 为： Cout×K×K+Cin×Cout×K×K    (6) 深度可分离卷积可将传统卷积的计算 量压缩为： 上式中， H ×W为输出feature map的空间大小， 由式(7)可知， 计算速度约为传统卷积的 1/K2。 7.根据权利要求4所述的基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， 网络中激活函数为Mish激活函数， Mish激活函数是光滑 函数， 具有较好的泛化 能力和结果的有效优化能力， 可以提高结果的质量， 公式如下： Mish＝x*tanh(l n(1+ex))    (8) 其导数为： ω＝4(x+1)+4e2x+e3x+ex(4x+6)    (10) δ ＝2ex+e2x+2    (11) 。 8.根据权利要求4所述的基于机器视觉的全自动BLDC电机绕线机产品缺陷检测方法， 其特征在于， 将Resblock ‑body中的ResNet模块替换为DRSN模块。 残差收缩网络为深度学习 +软阈值化+注意力机制， 其中软阈值化是信号降噪算法的核心步骤， 可以通过以下公式来 实现： 其输出对于 输入的导数为： 上式中， x为变量， y为输出量， τ为阈值， 由式(13)可知， 导数为0或1， 可减小深度学习算权　利　要　求　书 2/3 页 3 CN 114240923 A 3