CN103411974A - 基于云端大数据的平面材料检测远程系统及检测方法 - Google Patents

Abstract

本发明涉及基于云端大数据的平面材料检测远程系统及检测方法，在现有普遍用于平面材料检测的线阵扫描方案基础上，增加机器学习功能（支持向量机SVM），通过架构云端的缺陷大数据中心，搜集各分布式客户终端采集到的疑难缺陷图片，运用神经网络筛选系统及必要的人工干预，将经过机器学习优化后的检测算子定期更新到各分布式客户端，使系统能够不断积累各种类型缺陷的特征，并自动学习和适应，不断提高检测的准确度，同时，还可利用图像质量评估功能远程控制相机云台、可变光轴镜头等部件来调整光路，保证系统的稳定性。

Description

基于云端大数据的平面材料检测远程系统及检测方法

技术领域

本发明涉及基于云端大数据的平面材料检测远程系统及检测方法。

背景技术

平面材料在生产过程中由于各种原因，不可避免地会在其表面产生各种缺陷，及时发现此类缺陷非常关键，越早发现问题，就能越快地排除它们，从而避免出现更大的质量问题。由于平面材料种类繁多,不同材料的材质、纹理、颜色、光学特性等各有不同，产生的缺陷类型又会因生产设备、环境和工艺的不同千差万别。面对如此复杂多样的检测对象，市场上现有的检测设备一般仅能依靠客户厂方提供的数量种类有限的缺陷样本进行算法的构建和调试，对缺陷类型的覆盖率有限，无法应对实际工况中可能出现的特殊缺陷类型，并快速调整算法适用，普遍存在调试困难、稳定性差、检测准确率低等问题。同时，由于客户广泛散落在全国各地，对系统方案提供商的售后服务提出了严峻的挑战。如果一旦发生突发状况而不能及时响应解决，将会严重影响客户的生产计划，损害客户的利益。

发明内容

针对上述技术缺陷，本发明提出基于云端大数据的平面材料检测远程系统及检测方法。

为了解决上述技术问题，本发明的技术方案如下：

基于云端大数据的平面材料检测远程系统，包括分布式客户终端和云端服务器，所述分布式客户终端对生产线上运动的平面材料进行高频不间断采样，并转换为数字图形信号传送至客户终端的工控机，所述系统软件对数字图形信号进行分析处理，当材料表面出现缺陷时，记录其大小、位置和局部细节，信息输出显示，同时声光报警，当单卷材料检测完成后出具质量报表，并自动归档检测结果，所述系统软件根据需要自动抽样，或人工选择缺陷图像上传至云端服务器；

所述云端服务器与分布式客户终端通信，根据上传的图像自动进行机器学习，通过所述工控机上传的缺陷图像与标准模板图像进行偏差度对比判断分布式客户终端是否出现光路偏差,如果出现光路偏差,系统自动进行远程光路调节。

进一步的，所述分布式客户终端包括机械固定调节单元、图像采集单元、控制单元三个部分。

一种基于云端大数据的平面材料检测远程检测方法，包括如下步骤：

31）分布式客户终端对生产线上运动的平面材料进行高频不间断采样，并转换为数字图形信号传送至客户终端的工控机，所述系统软件对数字图形信号进行分析处理，当材料表面出现缺陷时，记录其大小、位置和局部细节，信息输出显示，同时声光报警，当单卷材料检测完成后出具质量报表，并自动归档检测结果；

32）所述系统软件根据需要自动抽样，或人工选择缺陷图像上传至云端服务器；

33）所述云端服务器与分布式客户终端通信，根据上传的图像自动进行机器学习，通过所述工控机上传的缺陷图像与标准模板图像进行偏差度对比判断分布式客户终端是否出现光路偏差，如果出现光路偏差，通知工作人员进行光路调节。

进一步的，所述机器学习包括如下步骤：

云端服务器保存的样本为包含缺陷点的100X100的局部灰度图像，利用局部灰度图像中亮度的分布直方图，梯度的分布直方图以及特定的几何特征构成表征样本的特征向量，利用支持向量机方法SVM进行学习，并采用串联结构的加强学习策略，串联结构中后一级的训练样本为前一级检测算子无法正确识别的样本，充分利用误检的样本数据，从而优化检测算子。

进一步的，云端服务器采用成树状结构分布的多个检测算子，根据新缺陷与已存在的缺陷的相似程度选择更新已存在的检测算子或者重新生成新的检测算子。

进一步的，所述光路调节方法，包括如下步骤：控制相机云台在5个自由度内固定轨迹内分别拍摄一组图像，通过对摄图片进行连续编号，并对应各电机的位移，在图像评估算法的辅助下获得其中高质量图像所对应的位置，最后指挥电机动作，使相机云台到达期望的位置，并锁定，同时调节可变光轴镜头调节光轴倾斜度，光路调节完毕后再将现有图像与标准模板图像进行一次偏差度对比，检测是否达到要求的图像质量。

本发明的有益效果在于：在现有普遍用于平面材料检测的线阵扫描方案基础上，增加机器学习功能（支持向量机SVM），通过架构云端的缺陷大数据中心，搜集各分布式客户终端采集到的疑难缺陷图片，运用神经网络筛选系统及必要的人工干预，将经过机器学习优化后的检测算子定期更新到各分布式客户端，

使系统能够不断积累各种类型缺陷的特征，并自动学习和适应，不断提高检测的准确度。同时，还可利用图像质量评估功能远程控制相机云台、可变光轴镜头等部件来调整光路，保证系统的稳定性。

附图说明

图1为客户终端模块示意图；

图2为客户端系统架构示意图；

图3为本发明的架构示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明。

如图1～图3所示，分布式客户终端包括由机械固定调节单元、图像采集单元、控制单元三个部分组成，机械固定调节单元包括相机5自由度相机云台、相机平行度摆动机构、防震框架、光源固定机构等。系统采用5自由度精密调节机构实现CCD工业相机包括垂直转动、水平转动、平行度摆动、水平平移、升降5个自由度的精确、方便、快捷的调节，而且具有紧固装置，使得调节好后结构牢固，相机的晃动小。平行度摆动的自由度调节由梯形结构实现，用斜板实现紧固。通过与轴承、L型转轴、滑槽等机械结构的嵌套使用实现5自由度调节与紧固。图像采集单元主要由CCD工业相机、线性LED光源、可变光轴镜头、传感器等构成。控制单元由上位机和控制芯片共同实现对系统各部件的控制。

CCD工业相机的控制：利用CameraLink接口和协议与相机握手，建立通信，读写参数，配置寄存器数值，读取DMA中存储的信息，相机复位，断开握手等。采集卡模块：通过SDK的二次开发函数控制采集卡的打开，关闭，参数修改等，与采集卡和相机进行通信。

光路调节模块：通过上位机控制相机5自由度调节机构，指挥机械结构在各自由度下固定运动轨迹内寻遍并获得所有帧图像，通过图像质量评价算法找到高对比度，高鲁棒性的图像，在结果反馈下最终指挥机械结构达到最合适的拍摄位置，并固定，实现线阵相机的全自动自适应调节。另外可配合可倾斜光轴的液态镜头控制，进一步提高光学成像的质量。

光源控制模块：实现对光源亮度的开关和无极调节。

声光报警模块：将检测到的缺陷信息（包括缺陷局部图像、大小、坐标、类型等）输出。

缺陷标记模块：通过精确无误的延时计算和机械控制，在缺陷位置打上标记（标签或喷色），方便后续处理。

打印和网络模块：将上缺陷信息生成检测报表储存，打印，并可发送至云端服务器进行大数据分析。

机器学习：主流的机器学习算法，如Support Vector Machine,Deep Learning,都是基于统计的方法，因而需要大量的数据或样本，才能从中寻找潜在的统计规律。并且学习的检测算子的性能与样本数量的多少成正相关，当样本数量越多，训练的模型的性能就越好，准确率也越高。而本系统基于云端的缺陷样本大型数据库恰好为机器学习算法提供了大量的训练样本，从而保证学习模型的准确性。同时数据库的动态更新也能不断完善机器学习所训练出的检测算子。机器学习算法中很重要的一步是样本的表征，即如何用有意义的特征向量来表示一个样本或者一个缺陷。本系统保存的样本为包含缺陷点的100X100的局部灰度图像。算法利用局部图像中亮度的分布直方图，梯度的分布直方图以及特定的几何特征构成表征样本的特征向量。该特征向量充分考虑了缺陷各方面的信息，能充分的体现缺陷的有用信息。为了尽量提高检测算子的准确性，系统采用串联结构的加强学习策略。串联结构中后一级的训练样本为前一级检测算子无法正确识别的样本。串联结构的学习策略能充分利用误检的样本数据，从而优化检测算子。相比用单一的检测算子检测所有缺陷，系统采用成树状结构分布的多个检测算子。树状结构中越靠近根部的检测算子其泛化性能越强，能检测的缺陷种类越多；相反越远离根部的检测算子其针对性越强，能检测的缺陷种类也相对较少。当数据库中出现新的缺陷类型时，树状结构的检测算子也有利于检测算子的不断更新。系统可以根据新缺陷与已存在的缺陷的相似程度选择更新已存在的检测算子或者重新生成新的检测算子。

开放式模块化系统平台：

不同厂家对系统的功能要求不同，而且不同的工况条件会对系统产生不同的限制，如编码器的选择，传输方式的选择，安装位置的几何参数等。设计开放式的模块化软件平台。在云端服务器的帮助下，可以对其中需要个性化定制的模块实现整体的拆卸与重组，如界面的组成，报表的生成，数据的显示方式，数据的传输等。甚至可以开放对应的二次开发平台，有能力的客户可以自己设计需要的功能。而对于其中的核心模块，如检测算子模块，可以封装成独立于具体工况的模块，在缺陷图像通过机器学习后定期从云端服务器获取更新，从而实现系统对缺陷检测要求的快速应对。

基于图像评估算法的远程光路调节技术：

线性光源的安装，高速线性扫描相机的定位以及相应参数的设置，如焦距，光圈等都会严重影响成像的质量。而基于图像的识别算法，对高质量、高鲁棒性的图像有着近乎很高的要求，所以高质量的成像对缺陷的检测效果的重要性是显而易见的。而实际中导致低质量成像的主要原因是成像光路的偏差。系统可以通过控制相机云台及可变光轴镜头的微调，分析不同运动轨迹下获取的图像并进行评估，获取其中的最佳图像，进而逆向演算调整和锁定光路。对于图像质量的评估主要考虑信息熵，图像的纹理等特征。

实施例

1）分布式客户终端由均匀高亮度的线性光源提供稳定照明，配合高像素线性CCD工业相机对生产线上运动的平面材料进行高频不间断采样，并转换为数字图形信号传送至工控机。

2）客户端的系统软件对材料表面特性进行分析处理，当出现缺陷时，记录其大小、位置和局部细节等信息输出显示，同时声光报警。单卷材料检测完成后出具质量报表，并自动归档检测结果。系统软件可进行自动抽样，或人工选择缺陷图像上传至云端服务器。

3）服务器内的缺陷图像经数据处理和特征提取后，分类存入缺陷数据库内。根据客户终端的要求，选择更新现有检测算子或重新构建新的检测算子。

4）云端服务器与分布式客户终端通信，对检测算子模块进行后台静默升级。重新启动系统后生效。

5）如分布式客户终端出现光路偏差，云端服务器可根据自动或手动上传的缺陷图像与标准模板图像进行偏差度对比判断得知，并联系客户终端的工作人员在空当时间进行远程光路调节。

6）光路调节方法：控制相机云台在5个自由度内固定轨迹内分别拍摄一组图像，由于相机云台在各自由度下拍摄图片的运动轨迹固定，且可设置相机拍摄帧频，因此所有拍摄得到的图片在时间和空间的分布可以看做均匀的。通过对摄图片进行连续编号，并对应各电机的位移，在图像评估算法的辅助下可以轻易获得其中高质量图像所对应的位置，最后指挥电机动作，使相机云台到达期望的位置，并锁定。同理调节可变光轴镜头调节光轴倾斜度。

7）光路调节完毕后再将现有图像与标准模板图像进行一次偏差度对比，检测是否达到要求的图像质量。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。

Claims (6)

1.基于云端大数据的平面材料检测远程系统，其特征在于，包括分布式客户终端和云端服务器；

所述分布式客户终端对生产线上运动的平面材料进行高频不间断采样，并转换为数字图形信号传送至客户终端的工控机，所述系统软件对数字图形信号进行分析处理，当材料表面出现缺陷时，记录其大小、位置和局部细节，信息输出显示，同时声光报警，当单卷材料检测完成后出具质量报表，并自动归档检测结果，所述系统软件根据需要自动抽样，或人工选择缺陷图像上传至云端服务器；

所述云端服务器与分布式客户终端通信，根据上传的图像自动进行机器学习，通过所述工控机上传的缺陷图像与标准模板图像进行偏差度对比判断分布式客户终端是否出现光路偏差。

2.根据权利要求1所述的基于云端大数据的平面材料检测远程系统，其特征在于，所述分布式客户终端包括机械固定调节单元、图像采集单元、控制单元三个部分。

3.一种基于云端大数据的平面材料检测远程检测方法，其特征在于，包括如下步骤：

31）分布式客户终端对生产线上运动的平面材料进行高频不间断采样，并转换为数字图形信号传送至客户终端的工控机，所述工控机对数字图形信号进行分析处理，当材料表面出现缺陷时，记录其大小、位置和局部细节，信息输出显示，同时声光报警，当单卷材料检测完成后出具质量报表，并自动归档检测结果；

32）所述工控机根据需要自动抽样，或人工选择缺陷图像上传至云端服务器；

33）所述云端服务器与分布式客户终端通信，根据上传的图像自动进行机器学习，通过所述工控机上传的缺陷图像与标准模板图像进行偏差度对比判断分布式客户终端是否出现光路偏差，如果出现光路偏差，通知相关人员暂停生产,系统自动进行光路调节。

4.根据权利要求3所述的一种基于云端大数据的平面材料检测远程检测方法，其特征在于，所述机器学习包括如下步骤：

云端服务器保存的样本为包含缺陷点的100X100的局部灰度图像，利用局部灰度图像中亮度的分布直方图，梯度的分布直方图以及特定的几何特征构成表征样本的特征向量，利用支持向量机方法SVM进行学习，并采用串联结构的加强学习策略，串联结构中后一级的训练样本为前一级检测算子无法正确识别的样本，充分利用误检的样本数据，从而优化检测算子。

5.根据权利要求4所述的一种基于云端大数据的平面材料检测远程检测方法，其特征在于，云端服务器采用成树状结构分布的多个检测算子，根据新缺陷与已存在的缺陷的相似程度选择更新已存在的检测算子或者重新生成新的检测算子。

6.根据权利要求5所述的一种基于云端大数据的平面材料检测远程检测方法，其特征在于，所述光路调节方法，包括如下步骤：控制相机云台在5个自由度内固定轨迹内分别拍摄一组图像，通过对摄图片进行连续编号，并对应各电机的位移，在图像评估算法的辅助下获得其中高质量图像所对应的位置，最后指挥电机动作，使相机云台到达期望的位置，并锁定，同时调节可变光轴镜头调节光轴倾斜度，光路调节完毕后再将现有图像与标准模板图像进行一次偏差度对比，检测是否达到要求的图像质量。

Images