本发明涉及微小零件检测技术领域，具体为一种基于卷积神经网络的微小零件质量检测系统。
背景技术：
随着中国工业的不断发展，微纳米领域的研究也变得越来越重要，而微装配作为微纳操作领域的一个重要环节也变得越来越受到重视，在此过程中，微小零件的质量则会直接影响到微装配产品的质量，因此，采用合适的微小零件质量检测手段则变得尤为重要。传统人工检测方法存在着的检测效率低下，工作强度大，精度低等弊端，另外一些研究人员将计算机显微视觉引入该系统并结合一些边缘检测算子通过边缘检测来检测微小零件的缺陷情况，这种方法可以较快且准确的检测零件表面的缺陷，但依然存在着一些不必要的检测错误，例如，当边缘检测阈值设置不当时会出现将零件自身边缘误检测成缺陷，或者将零件的较大块缺陷误认为成零件边缘，亦或是将图像的噪点误认成缺陷的情况，另外这种检测方式并不能够区分检测出的各种缺陷。
近年来，随着数以百万带标签训练集的出现以及基于gpu训练算法的出现，使训练复杂卷积网络模型不再奢望，卷积神经网络是一种逐渐发展，并引起广泛重视的高效图像识别方法。大量基于卷积神经网络的模型在手写字体识别，imagenet库的分类测试中取得不俗的成绩，许多论文都利用卷积神经网络，在视觉分类任务中取得不错成绩。
故基于以上所述将卷积神经网络引入到微小零件表面质量检测系统成为了一种可行方案，相比于边缘检测方法简化了检测步骤，同时相比于传统人工检测提高了检测自动化程度和效率并减少人为因素对检测过程的影响以及工人的劳动强度。
技术实现要素：
本发明的目的在于设计并提供一种基于卷积神经网络的微小零件质量检测系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的微小零件质量检测系统,包括以下步骤：
a、由显微视觉构成的图像采集模块采集微小零件表面图像信息；
b、利用卷积神经网络模型对显微视觉采集到的图像进行检测并对检测到的缺陷图像进行分类；
c、将分类结果送入主控制器并对末端执行器发出控制信号；
d、末端机械手执行器根据控制器发出的控制信号来执行对相应微小零件的拾取与分类，即将零件送入相应的收纳盒中。
优选的，所述步骤a中图像采集模块包括以下部分：
a、显微镜头与ccd相机相连，并一同固定于一个三自由度微动平台；
b、位置调整合适后，ccd相机通过显微镜头获取微小零件的表面图像；
c、图像通过上位机采集并保存，用于后续的检测与分类。
优选的，所述步骤b中检测与缺陷分类方法包括以下步骤：
a、初始化卷积神经网络结构与参数；
b、对训练集中的微小零件表面图像进行分析，根据其出现的缺陷类型对图像进行分类并完成训练前的手动标记；
c、将标记好的训练集图像统一格式化为固定大小：2m*2m；
d、基于现有深度学习架构，利用格式化后的训练集对待训练卷积神经网络进行训练，训练的迭代过程包括依次对每一个小批量数据的前向传播以及误差的反向传播，权值参数在该批量数据全部反向传播完毕之后统一更新，更新之后的权值参数用于下一轮迭代，直至达到设定迭代次数，计算网络最终准确率；
e、不断调整网络结构与相关参数，使训练准确率收敛至一个理想的值；
f、导出训练出的模型与权值参数等数据用于后续控制系统；
g、将显微视觉模块采集到的待检测图像送入已训练网络，输出检测结果。
优选的，所述步骤d中末端执行器模块包括以下部分：
a、用于根据控制信号完成对零件拾取与放置的机械手；
b、机械手固定于另一个三自由度的微动平台，用于实现其三自由度的运动，便于拾取处于不同位置的零件并将其放入不同的收纳盒；
c、运动控制器用于接收图像分类结果并将其转换成相应的控制信号发送给微动平台和机械手去完成对零件相应的拾取与放置动作；
d、零件分类收纳盒用于正品与检测出的各类次品零件的分类放置。
与现有技术相比，本发明的有益效果是：
（1）本发明提供的微小零件检测系统能够有效提高检测自动化程度以及准确性和效率。
（2）该检测系统可以实时反映零件缺陷类型，便于对零件的整体质量有个较准确评估，有利于生产厂家根据缺陷类型改进工艺，提高生产效率。
附图说明
图1为本发明流程图。
图2为本发明的系统整体结构图。
图3为卷积神经网络训练流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1、附图2和附图3，本发明提供一种系统方案：一种基于卷积神经网络的微小零件质量检测系统。下面结合附图与具体实施方式对本发明作进一步详细描述：其中附图1为系统整体流程图，附图2为系统整体结构图，附图3为卷积神经网络的整体训练流程图：
包括以下步骤：
a、由显微视觉构成的图像采集模块采集微小零件表面图像信息；
b、利用卷积神经网络模型对显微视觉采集到的图像进行检测并对检测到的缺陷图像进行分类；
c、将分类结果送入主控制器并对末端执行器发出控制信号；
d、末端机械手执行器根据控制器发出的控制信号来执行对相应微小零件的拾取与分类，即将零件送入相应的收纳盒中。
本发明中，步骤a中图像采集模块包括以下步骤：
a、显微镜头与ccd相机相连，一同固定于一个三自由度微动平台；
b、位置调整合适后，ccd相机通过显微镜头获取微小零件的表面图像；
c、图像通过上位机采集并保存，用于后续的检测与分类。
本发明采用显微视觉模块来代替传统人工检测中人眼的工作，显微镜头与ccd相机固定于三自由度的微动平台上可以实现对零件表面图像多位置，更全面的采集，保证检测的可靠性，提高检测过程的自动化程度，同时减少人为因素所带来的误差。
本发明中，步骤b中分类操作方法包括以下步骤：
a、初始化卷积神经网络结构与参数；
b、对训练集中的微小零件表面图像进行分析，根据其出现的缺陷类型对图像进行分类并完成训练前的手动标记；
c、将标记好的训练集图像统一格式化为固定大小：2m*2m；
d、基于现有深度学习架构，利用格式化后的训练集对待训练卷积神经网络进行训练，训练的迭代过程包括依次对每一个小批量数据的前向传播以及误差的反向传播，权值参数在该批量数据全部反向传播完毕之后统一更新，更新之后的权值参数用于下一轮迭代，直至达到设定迭代次数，计算网络最终准确率；
e、不断调整网络结构与相关参数，使训练准确率收敛至一个理想的值；
f、导出训练出的模型与权值参数等数据用于后续控制系统；
g、将显微视觉模块采集到的待检测图像送入已训练网络，输出检测结果。
本发明采用的检测与缺陷分类方法利用卷积神经网络，在检测之前需要先利用已有的训练集图像对设计好的卷积神经网络进行训练，训练好的网络模型便可以用于对采集到的图像进行检测与分类，依托于近几年大量基于gpu的训练算法的出现，使网络训练与应用变得更加普遍，该方案提高了检测的智能化程度，同时减少工人的劳动强度。
本发明中，步骤d中末端执行器模块包括以下部分：
a、用于根据控制信号完成对零件拾取与放置的机械手；
b、机械手固定于另一个三自由度的微动平台，用于实现其三自由度的运动，便于拾取处于不同位置的零件；
c、运动控制器用于接收图像分类结果并将其转换成相应的控制信号发送给微动平台和机械手去完成对零件相应的拾取与放置动作；
d、零件分类收纳盒用于正品与检测出的各类次品零件的分类放置。
本发明的末端执行器模块可以完成根据零件质量状况对零件的分拣，便于对零件质量状况进行及时的统计与反馈。
综上所述，本发明提供的图像分类方法效率高，能够有效提高图像分类准确性和效率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。