本发明属于漆包线缺陷检测领域，具体是基于深度学习的漆包线缺陷检测系统及方法。
背景技术：
1、近年来，随着客户对漆包线产品质量标准的日益严苛，漆包线产品的检验项目需求呈现出显著的增长趋势，不断推动着生产厂商增设更多细化的检验环节以满足市场对高品质产品的期待。
2、公开号为cn114324567a的发明专利申请公开了一种漆包线检测系统及检测方法，检测系统包括电源与显示模块、检测模块和收线模块以及控制器，电源与显示模块用于提供检测用的交流电和直流电，以及显示检测结果；检测模块与电源与显示模块连接，检测漆包线的缺陷；收线模块收取检测模块检测完的漆包线。在控制器的控制下检测模块和收线模块自动检测和收取漆包线，无需依靠人员手工操作，耗时短，占用检验人力小，不存在漏扫描的风险，自动化程度高，检测结果准确，得到的漆包线质量好。
3、上述现有技术是对生产完成后的漆包线成品进行缺陷检测，当存在缺陷产品时，意味着不仅浪费了原材料，还占用了生产设备、人力和时间等资源；以及在成品阶段发现缺陷，往往难以追溯到具体的生产环节或原因；因此本发明提供了基于深度学习的漆包线缺陷检测系统及方法。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于深度学习的漆包线缺陷检测系统及方法，用于解决现有技术在漆包线成品阶段进行检测，因成品检测滞后从而导致生产材料和能源浪费等技术问题。
2、为实现上述目的，本发明的第一方面提供了基于深度学习的漆包线缺陷检测系统，包括图像处理模块，以及与之相连接的图像采集模块和缺陷预警模块；
3、图像采集模块：用于采集漆包线在各工艺流程的多方位图像，标记为待处理图像；其中，工艺流程包括放线阶段、涂漆阶段和烘培阶段；以及各工艺流程的图像采集周期不同；
4、图像处理模块：用于对多方位的待处理图像进行预处理，预处理后进行图像拼接，得到拼接图像；从拼接图像中分离出目标图像；
5、缺陷识别预警模块：用于识别目标图像中是否存在的缺陷；是，则进行缺陷预警，并处理；否，则继续后续工艺流程操作；以及，
6、分析评估周期内各生产阶段的缺陷状况，并进行缺陷预警。
7、优选的，所述采集漆包线在各工艺流程的多方位图像，包括：
8、通过图像采集工具采集生产阶段漆包线的垂直面图像和侧面图像；其中，图像采集工具包括摄像头和led灯；侧面图像为从铜线的侧面拍摄；垂直图像为从垂直方向拍摄。
9、本发明通过摄像头获取漆包线的垂直面图像和侧面图像，可以从不同角度全面观察漆包线的状态，更准确地识别漆包线表面及内部的任何异常情况，从而确保产品质量；其次，led灯作为辅助照明设备，可以在图像采集过程中提供稳定的光源，改善图像质量，led灯能够提供均匀且可控的光照条件，减少因光线不足或过强而导致的图像模糊或反光现象，使得图像更加清晰，细节更加突出。这对于后续的图像处理和分析工作是非常重要的，因为高质量的图像能够提高缺陷检测的准确性。
10、优选的，所述各工艺流程的图像采集周期不同，包括：
11、采集漆包线在各工艺流程的移动速度和预处理长度；
12、通过公式ts=li/vi-tc计算得到各工艺流程的图像采集周期ts；其中，i为工艺流程编号，i=0，1，…，n，n为正整数；li为漆包线在工艺流程i的预处理长度；vi为漆包线在工艺流程i的移动速度；tc为摄像头的拍摄延迟时间。
13、本发明通过直接测量每个工艺流程中漆包线的移动速度和预处理长度，并结合摄像头的拍摄延迟时间，能够精确计算出每个工艺流程阶段的图像采集周期，使得设置的图像采集周期能采集通过工艺流程的完整图像且避免出现图像的重复采集以及遗漏未采集的图像。
14、优选的，所述移动速度为漆包线生产过程中材料的输送速度；预处理长度为各工艺流程一次可处理的最大漆包线长度。
15、优选的，所述对多方位的待处理图像进行拼接，得到拼接图像，包括：
16、步骤p1：设置待处理图像的编号标签；分别提取相邻编号两张待处理图像的特征点，并通过特征匹配算法得到相邻两张待处理图像之间的匹配特征点；
17、步骤p2：以匹配特征点为中心点，分别划定相同面积的矩形区域，标记为矩形区域j；其中，j为矩形区域的编号，j=0，1，…，m，m为正整数；
18、步骤p3：计算矩形区域j之间的像素差，判断像素值差是否大于预设阈值；否，则矩形区域j相似，并进入步骤p4；是，则矩形区域j不相似，并进入步骤p4；
19、步骤p4：当矩形区域j相似时，矩形区域j四边均向外扩大一个单位像素，得到新矩形区域j，且j=j+1，并判断新矩形区域j是否相似；是，则重复步骤p4；否，则相邻编号两张待处理图像之间的重叠区域为矩形区域j；
20、当矩形区域j不相似时，矩形区域j四边均向内缩小一个单位像素，得到新矩形区域j，且j=j+1，并判断新矩形区域j是否相似；是，则相邻编号两张待处理图像之间的重叠区域为新矩形区域j；否，则重复步骤p4；
21、步骤p5：将相邻编号待处理图像之间的重叠区域j进行重叠，得到拼接图像。
22、本发明通过特征匹配算法获取相邻图像之间的匹配特征点，且以匹配特征点为中心划定的矩形区域，分析区域的相似度，确定图像之间的重叠区域，并实现无缝拼接，使得拼接后的图像在视觉上连贯、自然，没有明显的接缝或重影现象，提高了图像的整体质量和观赏效果；以及将多方位待处理图像进行拼接有助于减小后续图像识别的数据处理量。
23、优选的，所述待处理图像的编号标签设置顺序根据所采集的待处理图像的方位关系进行设置。
24、本发明通过按照方位关系，如从左到右、从上到下、环绕顺序等对图像进行编号，不仅使每一张图像都有一个清晰、唯一的标识，且使得后续图像拼接操作按照预设的逻辑顺序自动进行，确保相邻图像在拼接时能够按照正确的顺序和位置进行匹配，避免错位或颠倒的情况，提高了后续拼接处理的准确性和效率。
25、优选的，所述从拼接图像中分离出目标图像，包括：
26、从图像数据中提取漆包线在各工艺流程阶段的标准图像，获取标准图像的像素点像素值，将拼接图像的像素点像素值与对应工艺流程阶段的标准图像的像素点像素值进行差值处理，将差值小于差值阈值的像素点标记为目标像素点；将目标像素点拟合得到目标图像。
27、本发明将拼接图像像素点的像素值与对应工艺流程阶段图像像素点的像素值进行一一比较，并设定差值阈值来筛选目标像素点，有效减少背景噪声和其他非目标因素的干扰，提高目标图像提取的准确度。
28、优选的，所述识别目标图像中是否存在的缺陷，包括：
29、从历史数据中提取各工艺流程的若干目标图像；其中，目标图像包括缺陷目标图像和无缺陷目标图像；
30、将目标图像作为卷积神经网络模型的标准输入数据，缺陷目标图像作为卷积神经网络模型的标准输出数据；
31、通过标准输入数据和标准输出数据对卷积神经网络模型进行训练，得到缺陷识别模型；其中，缺陷识别模型包括放线阶段的缺陷识别模型、涂漆阶段的缺陷识别模型和烘培阶段的缺陷识别模型。
32、本发明通过从历史数据中提取各工艺流程的缺陷目标图像和无缺陷目标图像，作为卷积神经网络的标准输入和输出数据，确保了模型能够学习到准确的缺陷特征。这使得训练出的缺陷识别模型能够精准地识别出各阶段的缺陷，提高了质量控制的准确性；以及分别训练不同工艺流程的缺陷识别模型，体现了对生产过程的深入理解和精细化管理，分阶段建模使得每个模型都能针对各自阶段的特定缺陷进行优化，提高了识别效率和准确性。
33、优选的，统计各工艺流程在评估周期内缺陷目标图像的数量，若缺陷目标图像的数量超过预设数量，则进行缺陷预警。
34、本发明通过对各工艺流程在评估周期内缺陷目标图像数量的统计，实现了对生产质量的实时监控，一旦发现缺陷目标图像数量超过预设阈值，立即触发缺陷预警，使得管理层和操作人员能够迅速获知问题所在，并采取相应的纠正措施。这种快速响应机制有助于减少缺陷产品的数量，降低不良率。
35、优选的，基于深度学习的漆包线缺陷检测系统的检测方法，包括以下步骤：
36、步骤一：采集漆包线在各工艺流程的多方位图像，标记为待处理图像；其中，工艺流程包括放线阶段、涂漆阶段和烘培阶段；以及各工艺流程的图像采集周期不同；
37、步骤二：对多方位的待处理图像的质量进行评估，处理后进行图像拼接，得到拼接图像；从拼接图像中分离出目标图像；
38、步骤三：识别目标图像中是否存在的缺陷；是，则进行缺陷预警，并处理；否，则继续后续工艺流程操作，并分析评估周期内各生产阶段的缺陷状况，并进行缺陷预警。
39、与现有技术相比，本发明的有益效果是：
40、1.本发明通过漆包线移动速度与预处理长度信息，同时考虑摄像头拍摄时的固有延迟，从而实现了对各工艺流程阶段图像采集周期的精确计算，确保了所设定的图像采集周期既能完整捕获通过各工艺流程的漆包线图像，又有效避免了图像的冗余重复采集以及任何可能发生的图像遗漏，显著提升了图像数据的完整性和准确性；
41、2.本发明分析相邻图像间的匹配特征点，以匹配特征点为核心，划定矩形区域进行深入分析矩形区域间的相似度，精确界定相邻图像之间的重叠部分，实现无缝的图像拼接技术，且拼接图像有效缩减了后续图像识别任务所需处理的数据量，提升了整体处理效率与性能；
42、3.本发明采集漆包线在各工艺流程的多方位的待处理图像；对多方位的待处理图像进行预处理，预处理后进行图像拼接，得到拼接图像；从拼接图像中分离出目标图像；识别目标图像中是否存在的缺陷；是，则进行缺陷预警，并处理；否，则继续后续工艺流程操作；实现了对漆包线质量的精准把控，一旦发现缺陷，立即触发预警机制并采取相应的处理措施，防止缺陷产品继续后续工艺流程，避免了不必要的材料和能源浪费在缺陷产品的生产上，优化了资源分配和利用效率；以及有利于追溯具体生产环节或原因。
1.基于深度学习的漆包线缺陷检测系统，其特征在于，包括图像处理模块，以及与之相连接的图像采集模块和缺陷预警模块；
2.根据权利要求1所述的基于深度学习的漆包线缺陷检测系统，其特征在于，所述采集漆包线在各工艺流程的多方位图像，包括：
3.根据权利要求2所述的基于深度学习的漆包线缺陷检测系统，其特征在于，所述各工艺流程的图像采集周期不同，包括：
4.根据权利要求3所述的基于深度学习的漆包线缺陷检测系统，其特征在于，所述移动速度为漆包线生产过程中材料的输送速度；预处理长度为各工艺流程一次可处理的最大漆包线长度。
5.根据权利要求2所述的基于深度学习的漆包线缺陷检测系统，其特征在于，所述对多方位的待处理图像进行拼接，得到拼接图像，包括：
6.根据权利要求5所述的基于深度学习的漆包线缺陷检测系统，其特征在于，所述待处理图像的编号标签设置顺序根据所采集的待处理图像的方位关系进行设置。
7.根据权利要求5所述的基于深度学习的漆包线缺陷检测系统，其特征在于，所述从拼接图像中分离出目标图像，包括：
8.根据权利要求1所述的基于深度学习的漆包线缺陷检测系统，其特征在于，所述识别目标图像中是否存在的缺陷，包括：
9.根据权利要求1所述的基于深度学习的漆包线缺陷检测系统，其特征在于，统计各工艺流程在评估周期内缺陷目标图像的数量，若缺陷目标图像的数量超过预设数量，则进行缺陷预警。
10.基于深度学习的漆包线缺陷检测方法，用于执行权利要求1-9任一项所述的基于深度学习的漆包线缺陷检测系统的运行，其特征在于，包括以下步骤：
