[发明专利]一种基于深度学习的瑕疵检测系统及方法

说明书

本发明公开了一种基于深度学习的瑕疵检测系统，包括：皮带传输装置、线扫相机和与之连接的镜头、PC主机和云端；所述PC主机内设置有图像处理软件，通过图像处理软件进行瑕疵检测和处理，同时将处理结果显示并上传至云端，云端进行大数据分析。本发明还公开了一种基于深度学习的瑕疵检测方法，本发明引入深度学习的AI算法，对图片中瑕疵特征进行高效、高识别率识别与提取。人工投入少，图像处理软件检测性能维护成本低。兼容能力强，在面临产品更新换代的情况下，图像处理软件算法方面无需另行开发，只需多收集产品样本进行学习训练，便能很快满足新产品的瑕疵检测应用。

技术领域

本发明涉及瑕疵检测技术领域，具体地是涉及一种基于深度学习的瑕疵检测系统及方法。

背景技术

在工业生产过程中，瑕疵检测是很多产品质量检测环节及其重要的步骤。瑕疵检测装置将工业相机采集到的产品表面图像经过图像处理软件进行瑕疵识别处理，找出瑕疵，同时对瑕疵进行有效的分类及后续处理。传统的图像处理软件存在几个方面问题：

一、图像处理软件开放参数多，需投入大量精力调试才能到达较好检测性能。

二、图像处理软件底层算法通用性及功能拓展性弱，对于新产品及其客户新需求，需要人员来重新开发。

因此，本发明的发明人亟需构思一种新技术以改善其问题。

发明内容

为解决上述技术问题，本发明提供了一种基于深度学习的瑕疵检测系统及方法。

本发明的技术方案是：

一种基于深度学习的瑕疵检测系统，包括：

皮带传输装置，用于传输被测产品；

线扫相机和与之连接的镜头，二者用于扫描皮带传输装置上的被测产品，将采集到的产品表面图像发送至PC主机处；

所述PC主机内设置有图像处理软件，通过图像处理软件进行瑕疵检测和处理，同时将处理结果显示并上传至云端；

所述云端进行大数据分析。

优选地，所述图像处理软件包括如下模块：

预处理模块，用于对图片进行预处理，所述预处理包括但不限于图像的灰度变换和图像的裁切；

预测模块，用于通过卷积神经网络度图像进行预测，获取预测结果；

处理模块，用于对预测结果进行处理，获得处理图片；

显示模块，用于对处理图片进行显示。

优选地，还包括一模型库，与所述预测模块连接，所述模型库内设置有离线训练好的卷积神经网络模型。

优选地，所述预测结果为单通道灰度图，该图像像素值在0～255分布，每个像素值大小表示该位置为瑕疵的得分。

优选地，所述处理模块中引入亮度阈值和面积阈值两个参数对预测结果进行处理。

一种基于深度学习的瑕疵检测方法，包括如下步骤：

S1：线扫相机扫描皮带传输装置上的被测产品，将采集到的产品表面图像发送至图像处理软件处；

S2：通过图像处理软件进行瑕疵检测和处理，同时将处理结果显示并上传至云端；

S3：云端进行大数据分析。

优选地，所述步骤S2具体包括：

S21：对图片进行预处理，所述预处理包括但不限于图像的灰度变换和图像的裁切；

S22：通过卷积神经网络度图像进行预测，获取预测结果；