[發明專利]一種基于多光譜成像的產品表面缺陷檢測系統

在審

• 申請號: 201910694125.1
• 申請日: 2019-07-30
• 公開（公告）號: CN110441312A
• 公開（公告）日: 2019-11-12
• 發明（設計）人: 王洋;陳果;毛雪慧;閆龑
• 申請（專利權）人: 上海深視信息科技有限公司
• 主分類號: G01N21/88
• 分類號: G01N21/88
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 姜杉

1.一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，包括多光譜圖像采集模塊和多光譜圖像缺陷檢測模塊；

所述多光譜圖像采集模塊包括多光譜光源、多光譜相機、傳送帶和檢測臺；所述多光譜相機和所述多光譜光源位于所述檢測臺上；所述傳送帶在所述檢測臺下方并穿過所述檢測臺；所述多光譜圖像采集模塊采集原始圖像并將其傳輸至所述多光譜圖像缺陷檢測模塊；

所述多光譜圖像缺陷檢測模塊包括特征提取模塊、特征融合模塊和決策網絡模塊；所述特征提取模塊接收所述原始圖像，并產生圖像特征集；所述特征融合模塊與所述特征提取模塊相連，接收所述圖像特征集，同時產生特征融合集；所述決策網絡模塊與特征融合模塊相連，接收所述特征融合集，產生產品檢測結果并予以輸出。

2.根據權利要求1所述的一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，所述多光譜光源所發出的為包括可見光、紅外光、紫外光、超聲波、X光的一種或多種；

所述多光譜相機所接收的為包括可見光、紅外光、紫外光、超聲波、X光的一種或多種。

3.根據權利要求1所述的一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，所述特征提取模塊具有多個分支網絡，每個所述分支網絡分別對應一個光譜圖；

所述分支網絡內部包括多個Block；所述Block內部使用多種大小不同的卷積層。

4.根據權利要求1所述的一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，所述特征融合模塊生成為特征融合算法的計算機程序；

所述融合模型訓練算法包括小波融合算法、主成分分析融合算法、圖像金字塔融合算法和加權融合算法的一種或多種。

5.根據權利要求1所述的一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，所述產品檢測結果包括是否具有缺陷、所述缺陷的具體位置和所述缺陷的尺寸的大小的一種或多種。

6.根據權利要求1所述的一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，還包括多光譜深度學習模型生成模塊；

所述多光譜深度學習模型生成模塊包括特征提取模型訓練模塊和決策模型訓練模塊；

所述特征提取模型訓練模塊為基于分支網絡訓練算法的計算機程序；所述特征提取模型訓練模塊與決策模型訓練模塊和特征融合模塊相連；

所述決策模型訓練模塊為包括基于邏輯判斷任務算法的計算機程序、基于分類任務算法的計算機程序和基于分割任務算法的計算機程序的一種或多種；所述決策模型訓練模塊與特征融合模塊及決策網絡模塊相連。

7.根據權利要求6所述的一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，當訓練時，所述多光譜圖像采集模塊采集多個所述原始圖像并將其發送給特征提取模型訓練模塊，所述特征提取模型訓練模塊產生特征提取模型同時產生特征提取集，所述特征提取集傳輸到特征融合模塊產生訓練用圖像融合集，所述訓練用圖像融合集傳輸到所述決策模型訓練模塊，所述決策模型訓練模塊產生決策模型并將特征提取模型合并決策模型傳輸給多光譜圖像缺陷檢測模塊。

8.根據權利要求1所述的一種基于多光譜成像的產品表面缺陷檢測系統，其特征在于，所述多光譜深度學習模型生成模塊還包括通道擴展模塊；

所述通道擴展模塊連接所述特征融合模塊與所述特征提取模型訓練模塊。