[发明专利]一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法

说明书

本发明公开了一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法，包括：步骤1、铜板通过传送装置，传送到传感器固定位置；步骤2、传感器控制传送装置停止运动，并触发工业相机进行图像采集；步骤3、对采集图像进行预处理；步骤4、将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行铜件表面的智能识别；步骤5、缺陷检测模型判断铜板表面是否有缺陷；步骤6、PC机驱动机械臂对有缺陷的铜板进行抓取到相应的次品槽中；该系统包括：工业相机、光源、传感器、传送装置、次品槽、PC机、机械臂。本发明可以避免人工检测效率低，准确率低、漏检率高等问题，同时控制机械臂自主完成分拣任务，具有鲁棒性高、高自动化水平特点。

技术领域

本发明涉及机器视觉和深度学习领域，尤其是涉及一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法。

背景技术

随着工业的迅速发展，中国成为世界上最大的铜消费国，在汽车、航空等高新领域中，高端铜板的质量和稳定性要求较高，一个微小的缺陷可能对产品质量有着巨大的影响。在铜板工件生产和加工过程种，会产生多种类型的缺陷，如气泡、擦伤、划痕、起皮等缺陷，所以缺陷检测是工序上必不可少的一部分。

传统的铜板缺陷检测方法，主要有人工目检和红外检测技术，但人工检测技术效率低，无法辨别表面上细微缺陷；红外检测技术容易受到客观因素影响，只适合小范围的检测。所以，机器视觉检测代替人工检测是必然趋势，但检测技术采用的是传统处理识别技术，效率有限。随着深度学习技术的快速发展，通过卷积神经网络检测模型对输入样本进行训练，自动学习有效特征，实现对铜块的智能识别。在大多数企业中，生产线上识别出的缺陷铜块使用人工剔除，自动化程度低，影响工厂的生产效率且提高企业的人工成本。因此，市场上亟需一种新型铜板缺陷检测及自动化分类系统来解决上述问题。

发明内容

为解决上述问题，本发明的目的提出一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法，旨在解决现有人工目检效率和准确度低问题，以及人工分拣的自动化程度低问题。

为实现上述目的，本发明提供的具体技术方案如下：

一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法，其具体步骤为：

S1：铜板通过传送装置，传送到传感器固定位置；

S2：传感器控制传送装置停止运动，并触发工业相机进行图像采集；

S3：对采集图像进行预处理；

S4：将预处理后的缺陷图像输入预先训练好的缺陷检测模型中；

S5：缺陷检测模型判断铜板表面是否有缺陷；

S6：PC机驱动机械臂对有缺陷的铜板进行抓取到相应的次品槽中；

进一步地，所述传感器为光电传感器，通过铜件阻挡光信号来判断铜件是否到达固定位置。

进一步地，所述图像预处理具体步骤为：

S3.1：将图像进行灰度处理；

S3.2：对灰度图进行中值滤波处理，去除图像内部噪声；

S3.3：将中值滤波处理后的图像进行Canny边缘检测，提取图像边缘；

S3.4：将边缘检测图进行区域生长法分割处理，消除孔洞和小区域噪声干扰；

S3.5：将区域生长法分割图进行Otsu分割，得到二值化图像。

进一步地，所述缺陷图像主要包括气泡缺陷、划痕缺陷、擦伤缺陷、起皮缺陷。预先训练好的缺陷检测模型主要步骤为：将大量的四种人工标记的缺陷铜块图片输入基于SE模块的ResNet神经网络检测模型中训练，得到缺陷检测模型。