[發明專利]一種基于深度學習的瑕疵檢測系統及方法

有效

• 申請號: 201810200744.6
• 申請日: 2018-03-12
• 公開（公告）號: CN108445011B
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 曹葵康;邵新華;楊曉冬;殷浩;崔學理
• 申請（專利權）人: 蘇州天準科技股份有限公司
• 主分類號: G01N21/88
• 分類號: G01N21/88
• 代理公司: 蘇州國誠專利代理有限公司 32293
• 代理人: 王麗

1.一種基于深度學習的瑕疵檢測系統，其特征在于，包括：

皮帶傳輸裝置，用于傳輸被測產品；

線掃相機和與之連接的鏡頭，二者用于掃描皮帶傳輸裝置上的被測產品，將采集到的產品表面圖像發送至PC主機處；

所述PC主機內設置有圖像處理軟件，通過圖像處理軟件進行瑕疵檢測和處理，同時將處理結果顯示并上傳至云端；

其中，所述圖像處理軟件包括如下模塊：

預處理模塊，用于對圖片進行預處理，所述預處理包括但不限于圖像的灰度變換和圖像的裁切；所述預處理模塊將邊緣存在瑕疵的圖像上邊緣、下邊緣、左邊緣和右邊緣裁剪出四張邊緣小圖片，所述預處理模塊將邊緣內側存在瑕疵的圖像內部裁剪出內部小圖片；并對裁剪出的小圖片按仿射變換矩陣變換成處理大小的圖片；

預測模塊，用于通過卷積神經網絡度圖像進行預測，獲取預測結果；

處理模塊，用于對預測結果進行處理，對于NG片利用裁切時的仿射變換矩陣換算出瑕疵在原圖像上的位置及面積，獲得處理圖片；

顯示模塊，用于對處理圖片進行顯示；所述云端進行大數據分析。

2.如權利要求1所述的基于深度學習的瑕疵檢測系統，其特征在于：還包括一模型庫，與所述預測模塊連接，所述模型庫內設置有離線訓練好的卷積神經網絡模型。

3.如權利要求1所述的基于深度學習的瑕疵檢測系統，其特征在于：所述預測結果為單通道灰度圖，該圖像像素值在0～255分布，每個像素值大小表示該位置為瑕疵的得分。

4.如權利要求1所述的基于深度學習的瑕疵檢測系統，其特征在于：所述處理模塊中引入亮度閾值和面積閾值兩個參數對預測結果進行處理。

5.一種基于深度學習的瑕疵檢測方法，其特征在于，包括如下步驟：

S1：線掃相機掃描皮帶傳輸裝置上的被測產品，將采集到的產品表面圖像發送至圖像處理軟件處；

S2：通過圖像處理軟件進行瑕疵檢測和處理，同時將處理結果顯示并上傳至云端；所述圖像處理軟件引入亮度閾值和面積閾值兩個參數進行處理；所述步驟S2具體包括：

S21：對圖片進行預處理，所述預處理包括但不限于圖像的灰度變換和圖像的裁切；將邊緣存在瑕疵的圖像上邊緣、下邊緣、左邊緣和右邊緣裁剪出四張邊緣小圖片，預處理模塊將邊緣內側存在瑕疵的圖像內部裁剪出內部小圖片；并對裁剪出的小圖片按仿射變換矩陣變換成處理大小的圖片；

S22：通過卷積神經網絡度圖像進行預測，獲取預測結果；

S23：對預測結果進行處理，對于NG片利用裁切時的仿射變換矩陣換算出瑕疵在原圖像上的位置及面積，獲得處理圖片；

S24：對處理圖片進行顯示；

S3：云端進行大數據分析。

6.如權利要求5所述的基于深度學習的瑕疵檢測方法，其特征在于，所述步驟S22具體包括：加載離線訓練好的卷積神經網絡模型，對預處理后的圖像進行預測，獲取測試結果。

7.如權利要求5或6所述的基于深度學習的瑕疵檢測方法，其特征在于：所述預測結果為單通道灰度圖，該圖像像素值在0～255分布，每個像素值大小表示該位置為瑕疵的得分。

8.如權利要求5或6所述的基于深度學習的瑕疵檢測方法，其特征在于：所述步驟S23中引入所述亮度閾值和面積閾值兩個參數對預測結果進行處理。