记，并以检测的时间作为文件名命名该幅图像进行保存；
[0036]S6-2.获取轮毂的轮辐图像，并利用样本离线预处理的方法对获取的轮辐图像进行预处理，调用轮辐缺陷检测检测器对每幅轮辐图像进行缺陷检测，如果发现存在缺陷，则对存在缺陷的区域进行标记，并以检测的时间作为文件名命名该幅图像进行保存；
[0037]S6-3.获取轮毂的轮辋图像，并利用样本离线预处理的方法对获取的轮辋图像进行预处理，调用轮辋缺陷检测检测器对每幅轮辋图像进行缺陷检测，如果发现存在缺陷，则对存在缺陷的区域进行标记，并以检测的时间作为文件名命名该幅图像进行保存；
[0038]S6-4.缺陷识别检测的输出方式根据用户的要求，或显示图像、或给出报警信号等。
[0039]S6-5.如果在步骤S6-1至S6-3的任一幅图像中检测出缺陷，则将该轮毂送入不合格产品区，如果没有检测出缺陷，就将该轮毂送入合格产品区。
[0040]本发明与现有技术相比，具有如下优点和有益效果:
[0041]1、在训练阶段，卷积神经网络从大量不同的轮辐、轮辋、轮轴的正样本和负样本中学习到轮毂缺陷本质的特征，这种特征比从图像人工提取的特征具有更强的可识别性，即可分性；
[0042]2、由于卷积神经网络对于识别图像一定程度的位移、缩放以及其他形式的扭曲变形具有一定的鲁棒性，所以训练所得到的轮毂缺陷检测器在实际的轮毂缺陷检测中具有一定的鲁棒性，对形状几乎没有雷同的轮毂缺陷识别分类具有准确性。
[0043]3、对环境光照的变化，拍摄角度的变化具有很强的鲁棒性。
[0044]4、由于轮毂缺陷检测过程无需人工参与，轮毂生产检测的自动化程度高，生产效率高，操作简单，运行成本低。
【附图说明】
[0045]图1为本发明所述一种轮形铸造产品缺陷自动检测方法的算法模块图；
[0046]图2为本发明所述的一种轮形铸造产品缺陷自动检测方法的流程图；
[0047]图3为图2所述方法的轮毂缺陷检测神经网络内部联系和结构图；
[0048]图4为实测轮辐样本原图；
[0049]图5为图4的灰度直方图；
[0050]图6为对图4进行预处理后的效果图；
[0051]图7为图6的直方图以及对最大和次大峰的标示；
[0052]图8-1、8-2、8_3分别为对轮毂的轮辐、轮辋和轮轴图像进行缺陷检测的结果图。
【具体实施方式】
[0053]下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0054]图1示出本发明系统和方法的离线和在线两个工作部分，离线部分给在线部分提供工作基础，在线部分依据离线部分形成的方法和检测器开展持续性在线缺陷识别检测。
[0055]基于神经网络的轮形产品缺陷检测系统和方法包括如下步骤:
[0056]S1.训练样本的采集，样本总量6万张以上，轮辐、轮辋和轮轴每类样本各2万张以上，正负样本比例控制为1:2 ;
[0057]S2.进行样本的预处理；
[0058]S3.样本分类成轮辐、轮辋和轮轴三大类并进行处理；
[0059]S4.通过轮辐、轮辋和轮轴三类样本，网络离线学习训练并分别生成在线适用的轮辐、轮辋和轮轴检测器；
[0060]S5.将训练成功的CNN轮辐缺陷检测器，CNN轮辋缺陷检测器，CNN轮轴缺陷检测器分别载入上位机，并置于自动生产检测线；
[0061]S6.进行在线全自动缺陷检测；
[0062]S7.缺陷识别检测的输出方式根据用户的要求，或显示图像、或给出报警信号等。
[0063]基于卷积神经网络的轮毂缺陷检测方法具体工作过程如图2所示，包括样本预处理、离线训练和在线检测三个主要阶段，所述的样本预处理阶段包括以下步骤:
[0064]S2-1.使用3X3邻域模板对采集的轮毂图像进行平滑滤波，用来消除轮毂图像在采集过程中产生的图像噪声；
[0065]S2-2.利用梯度锐化算法，将图像当前点像素值与其下一个像素值之差的绝对值，加上当前点像素值与其下一行当前像素值之差的绝对值，如果结果大于阈值，则当前点像素值置为此结果，这样使得图像更加突出，以便于分析；
[0066]S2-3.对步骤S2-2所得的图像进行直方图均衡化；
[0067]S2-4.对步骤S2-3所得的图像归一化处理，以加快训练网络的收敛性。
[0068]所述的离线训练阶段首先进行样本分类，即将样本分成轮辐、轮辋和轮轴三大类并进行处理，具体处理步骤包括；
[0069]S3-1.分别将各类样本分割成的MXM小图像，M可取80、100或120。根据是否包含缺陷将小图像样本分为正样本和负样本；
[0070]S3-2.在训练卷积神经网络模型的过程中，为增加轮毂检测器的鲁棒性，对步骤S3-1所得的样本进行随机地微小的尺度变换([0.96，1.08]倍)、对比度变换(对比度系数[0.8, 1.2])和旋转变换([-60，+60]度，每次变换5度);
[0071]S3-3.每次调用小批量样本时，即可选64个样本，随机对样本进行水平翻转，添加高斯随机噪声，并且从变换后的小样本图像中随机选取出NXN的区域作为卷积神经网络的训练样本，N可以取96，以增加样本的多样性，提高训练得到的卷积神经网络模型的泛化能力。
[0072]训练轮毂缺陷检测神经网络模型即缺陷检测器的包括:
[0073]S4-1.根据轮辋样本、轮辐样本和轮轴样本，分别采用BP算法训练轮辋缺陷检测神经网络模型、轮辐缺陷检测神经网络模型以及轮轴缺陷检测神经网络模型，每次迭代采用最小批的方式计算网络误差和更新权重；
[0074]S4-2.训练时，学习速率设定为0.01 ;
[0075]S4-3.每次迭代输入64个样本，以平均误差更新参数；
[0076]S4-4.设计网络模型。轮毂缺陷检测神经网络模型是一个多层卷积神经网络模型，有监督地从大量样本中自动地进行特征学习。输入是一张图像，输出是图像的分类标签。因此，输入层的神经元数量和检测图像的像素数量相等，输出层只有一个神经元节点，直接输出图像的分类结果。轮毂缺陷检测神经网络模型包含两部分:第一部分是一个多阶段的特征提取器，交替地包含卷积层，降采样层和局部响应归一化层，执行卷积、降采样和非线性变换；第二部分是一个分类器，是一个由两个全连接层相互连接组成的全连接神经网络，通过反向传播算法训练一个能够对于第一部分提取出来的轮毂图像特征进行正确分类的分类器。在本方案中设计的轮毂缺陷检测神经网络模型的特征提取有两个阶段。第一阶段是低层特征的提取，例如点和线等，第二阶段通过反向传播算法的训练，对低层特征进行线性组合形成高层特征；
[0077]S4-5.轮毂缺陷检测神经网络模型在分类时，将获取到的轮毂图像分割成MXM的小样本图像，M取100。取每张MXM的小样本图像取左上角，左下角，右上角，右下角以及中心5个96 X 96区域图像，将这5个区域图像通过卷积神经网络模型计算得到5个输出值，并将这5个输出值进行平均，最后根据平均的输出值即可判定轮毂的该区域是否有缺陷。网络输出值的范围为[0，I]，大于设定阈值0.5表示轮毂上相应的区域存在缺陷，反之表示轮毂上相应的区域不存在缺陷；
[0078]S4-6.当在测试集上正确率达到所要求的准确率时终止网络训练，最终获得轮毂缺陷检测器。
[0079]所述的在线检测阶段具体流程如下:
[0080]在线检测时，按照由轮轴至轮辐再到轮辋的全自动检测流程，检测系统依次在不同工位获取在线图像，具体步骤如下:
[0081]S6-1.获取轮毂的轮轴图像，并利用样本离线预处理的方法对获取的轮轴图像进行预处理，调用轮轴缺陷检测检测器对每幅轮轴图像进行缺陷检测，如果发现存在缺陷，则对存在缺陷的区域进行标记，并以检测的时间作为文件名命名该幅图像进行保存；
[0082]S6-2.获取轮毂的轮辐图像，并利用样本离线预处理的方法对获取的轮辐图像进行预处理，调用轮辐缺陷检测检测器对每幅轮辐图像进行缺陷检测，如果