[發明專利]基于深度學習的暖邊間隔條機器視覺檢測裝置及方法

在審

• 申請號: 202010313926.1
• 申請日: 2020-04-20
• 公開（公告）號: CN111505013A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 劉金濤
• 申請（專利權）人: 劉金濤
• 主分類號: G01N21/89
• 分類號: G01N21/89;G01N21/88;B07C5/342;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于深度學習的暖邊間隔條機器視覺檢測裝置，其特征在于：包括并列設置的第一工作臺和第二工作臺，第一工作臺和第二工作臺上橫向設置有用于輸送待檢測暖邊間隔條的傳送帶(12)，傳送帶的出料端設置有收集合格品的合格品放置框(3)；所述第一工作臺上設置有用于檢測傳送帶上暖邊間隔條的圖像采集機構(1)，第二工作臺上設置有分揀不合格品的不合格品剔除機構(2)所述圖像采集機構的輸出端連接用于分析待檢測暖邊間隔條是否合格以及不合格缺陷的工控機，工控機分析圖像后根據分析結果控制不合格品剔除機構(2)進行不合格品的分揀操作。

2.根據權利要求1所述的基于深度學習的暖邊間隔條機器視覺檢測裝置，其特征在于：所述圖像采集機構包括罩設在第一工作臺上方的暗箱(11)，暗箱(11)的左側開設有進料口，暗箱的右側開設有穿過傳送帶以及待檢測暖邊間隔條的出料口；所述暗箱內設置有通過固定在第一工作臺上的支架(14)安裝、用于對待檢測暖邊間隔條拍照的工業相機(15)，工業相機通過數據線連接工控機的輸入端。

3.根據權利要求2所述的基于深度學習的暖邊間隔條機器視覺檢測裝置，其特征在于：所述支架(14)上還設置有用于為工業相機提供光亮環境的環形工業光源(16)。

4.根據權利要求3所述的基于深度學習的暖邊間隔條機器視覺檢測裝置，其特征在于：所述支架、工業相機和環形工業光源構成一組圖像采集單元，所述圖像采集單元共設置四組，四組采集單元順次沿傳送帶行走方向設置；四組采集單元中的環形工業光源安裝角度各不相同。

5.根據權利要求2所述的基于深度學習的暖邊間隔條機器視覺檢測裝置，其特征在于：位于進料口處的傳送帶上設置有對待檢測暖邊間隔條進行導向的導向器(13)，導向器上設置有感應待檢測暖邊間隔條的接近開關，接近開關的輸出端連接工控機的輸入端。

6.根據權利要求1所述的基于深度學習的暖邊間隔條機器視覺檢測裝置，其特征在于：所述不合格品剔除機構包括通過立柱橫向架設在第二工作臺上方的直行程導軌(22)，直行程導軌(22)上設置有在工控機指令下沿直行程導軌(22)來回行走的行程電機(21)；所述行走電機的機殼上固定設置一伺服電機(24)，伺服電機的輸出端軸連接垂直于第二工作臺臺面設置的提升絲杠(23)，提升絲杠(23)的底端水平設置有夾取不合格品的氣動夾爪(25)；所述行程電機(21)、伺服電機(24)以及氣動夾爪(25)的受控端分別與工控機的輸出端連接。

7.根據權利要求6所述的基于深度學習的暖邊間隔條機器視覺檢測裝置，其特征在于：位于傳送帶兩側的第二工作臺上并列設置有若干盛裝不同類型不合格品的長條形不合格品框(26)。

8.一種如權利要求1至7任一項所述的基于深度學習的暖邊間隔條機器視覺檢測方法，其特征在于，具體包括以下步驟：

A.待檢測暖邊間隔條經導向器進入傳送帶，觸發接近開關，工控機接收到接近開關信號后，按設定的時間間隔啟動四個工業相機依次拍照；

B.工控機接收到工業相機拍攝的待檢測暖邊間隔條圖像后，對暖邊間隔條圖像進行處理并做缺陷分析；

C.如果待檢測暖邊間隔條為合格品，則傳送帶將其輸送至合格品放置框中；如果待檢測暖邊間隔條為不合格品，根據暖邊間隔條存在的缺陷類型，工控機控制不合格品剔除機構將不合格暖邊間隔條放入相應的不合格品框中。

9.根據權利要求8所述的一種基于深度學習的暖邊間隔條機器視覺檢測方法，其特征在于，步驟B中工控機在對圖像進行分析前，首先進行圖片清晰度處理，然后再進行暖邊間隔條上孔的測量以及缺陷的分析。

10.根據權利要求9所述的一種基于深度學習的暖邊間隔條機器視覺檢測方法，其特征在于，所述缺陷的分析采用卷積神經網絡(CNN)進行分析，卷積層的形狀用四維張量表示，卷積層的偏置參數用一維張量表示，構建七層卷積神經網絡并訓練；缺陷分析方法主要包括以下步驟：

S1.加載圖像，調用神經網絡進行缺陷計算；

S2.第一層為輸入層，將采集的圖像圖片根據比例轉換為1920*1374尺寸；

S3.第二層為卷積層，卷積核大小為13*13，激勵函數f為ReLU函數，

其中，X為卷積層，L為層數，K為卷積核，M為特征圖，B為偏置量；

S4.第三層是池化層，池化尺寸為13*13，根據下式將第二層高分辨率轉換為低分辨率，并輸出第一張圖片；

其中，x-采樣層，l-序號，j-特征圖序號，doum()-下采樣；

S5.第四層，重復S3的計算過程，卷積核大小為27*27；

S6.第五層，重復S4的計算過程，池化尺寸為55*55，輸出第二張圖片；

S7.第六層，構建FC全連接層模型，將計算的特征圖組合成特征向量，輸入網絡進行學習，然后繪制特征圖；

S8.第七層為輸出層，輸出計算得到的缺陷值。