[发明专利]一种基于机器学习的管路视觉检测系统及方法

说明书

本发明提出了一种基于机器学习的管路视觉检测系统及方法，用以解决现有检测装置检测效率低，识别结果可靠性不高的问题。方法的步骤为：将待检测的管路放入送料机构，传动机构带动送料机构将管路水平输送至检测位置；顶升机构将管路向上顶起，尾部气缸将管路对齐检测位置，夹紧结构夹紧管路；部署机构将检测设备输送至管路内；管件智能检测仪利用支持向量机和卷积神经网络对图像进行智能分类；顶升机构将管路输送至送料机构，送料机构将检测后的管路输送至分料机构，控制设备根据分类结果控制分料板转动，将检测后的管路传送至不同的料仓。本发明实现了管路内壁的自动识别，大大提高了检测效率，简化了操作流程，提高了识别的可靠性。

技术领域

本发明涉及无损检测的技术领域，尤其涉及一种基于机器学习的管路视觉检测系统及方法，适用于金属硬管内壁的质量检测及分类问题。

背景技术

管路是指液压系统中传输工作流体的管道，其被广泛应用航天、造船、石油等工业领域。管路的安全性和可靠性对整个液压系统的正常运行具有极大影响，管路中若存在缺陷，会导致管路发生泄漏、堵塞、断裂等情况的发生，不仅会给企业造成严重的经济财产损失，甚至危及到生产工人的生命安全。因此对管路中缺陷进行检测具有非常重要的工业价值和社会价值。

针对管路中缺陷的检测问题，常用的检测方法主要有漏磁检测法、射线检测法、超声检测法和计算机视觉检测法。在这几类检测方法中，漏磁检测法、射线检测法及超声检测法都仅能对管路内部缺陷进行检测，不能检测对管路内壁上的缺陷进行检测。而基于计算机视觉的检测技术可通过工业内窥镜摄像系统，实时记录管道内部情况，再将管内图像信息传回计算机，从而快速获取管道内壁上大量图像信息。检测人员可根据这些获得的图像信息对管道内壁上存在的问题进行判断。并且基于计算机机视觉的检测方法能够很好的与信息系统及控制系统相结合，使其能够实现智能化、数字化和多功能化，同时又具备在线检测、实时控制和实时分析能力。因此该方法在对金属管路内壁的检测问题上具有更广阔的应用前景。

金属硬管内壁常见缺陷类型有多余物、凹坑、凸起、划伤等，不同的缺陷类型对金属管路的安全性不同，因此有必要对管路中存在的缺陷类型进行识别。在目前的工业检测当中，对管路内壁上缺陷的类型识别过程从送料、检测设备部署到类型识别均为纯人工作业，缺陷的具体类型分类大多依靠现场检测人员积累的经验对缺陷类型进行识别。这就使得整个检测识别过程效率较低，并且识别结果受人为因素的影响很大，可靠性不高。

随着科技的快速发展，基于机器学习的智能识别算法逐渐被应用于图像识别、语音识别等多个领域，常用的机器算法有卷积神经网络、支持向量机、聚类分析等。其中，支持向量机作为一种基于结构风险最小化原理和统计学VC（Vapnik-Chervonenkis）维理论基础上发展而来的一种机器学习算法，可以有效避免传统统计学方法中的非线性、局部最小值和维数灾难等问题。并且由于其不需要样本满足趋向无穷大的渐进性条件，使其即使在小样本条件下仍能够找到学习问题的最优解，实现较好地识别分类效果。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为平移不变人工神经网络。

发明内容

针对现有金属硬管内壁质量检测识别中，检测效率低，识别结果可靠性不高的技术问题，本发明提出一种基于机器学习的管路视觉检测系统及方法实现送料半自动化、检测设备部署全自动化及基于支持向量机和卷积神经网络实现不同内壁质量管路的自动识别分类，大大提高了检测效率，简化了操作流程，提高了识别的可靠性。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于机器学习的管路视觉检测方法，其步骤如下：

步骤一：将待检测的管路依次放入送料机构，通过检测系统的传动机构带动送料机构将管路水平输送至检测位置的下方，通过第一传感器将管路到位信号传送至控制设备，控制设备关闭传动机构；