CN110142228B - 锯片裂纹检测识别分拣系统及分拣方法 - Google Patents
锯片裂纹检测识别分拣系统及分拣方法 Download PDFInfo
- Publication number
- CN110142228B CN110142228B CN201910473670.8A CN201910473670A CN110142228B CN 110142228 B CN110142228 B CN 110142228B CN 201910473670 A CN201910473670 A CN 201910473670A CN 110142228 B CN110142228 B CN 110142228B
- Authority
- CN
- China
- Prior art keywords
- saw blade
- overturning
- detection
- push rod
- gate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
Landscapes
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
锯片裂纹检测识别分拣系统及分拣方法,属于机器视觉识别和物体检测领域技术领域。本发明为了解决现有技术中合金锯片的检测效率低的问题;本申请包括沿待测锯片传动方向依次布置的第一侧面检测部分、翻转部分和第二侧面检测部分,第一侧面检测部分包括第一传送带、第二传送带、检测区域、分选闸门装置和控制器,第一传送带穿过检测区域后通过分选闸门装置分别连接翻转部分和第二传送带,翻转部分输出的锯片送入第二侧面检测部分,所述控制器分别与检测区域和分选闸门建立连接;本申请实现了锯片正反面裂纹的检测,高精准度,识别率高,可实现锯片的分捡,取代劳动力的低效。
Description
技术领域
锯片裂纹检测分拣装置及方法,属于机器视觉识别和物体检测领域技术领域,具体涉及锯片裂纹检测识别分拣系统及分拣方法。
背景技术
国内金刚石锯片基体用钢以中高碳弹簧钢为主,因其具有优越的切削性能和耐磨损性能,被广泛用于石材加工、公路及机场建设等。但是由于锯片基体用钢自身合金元素的特性,给实际生产和使用带来了诸多问题,如热处理变形大、硬度不均、裂纹等。金刚石锯片基体用钢产生裂纹的因素诸多,主要影响因素有:钢的化学成分、原材料缺陷、钢的原始组织、加热因素、冷却因素、锯片特有的结构特点等,导致片体端面分布各种应力聚集,尤其是周边的拉应力大大增加都是形成裂纹的潜在因素。由于影响锯片基体用钢产生裂纹的因素多种多样,本文主要从以下三个方面来分析金刚石锯片基体产生裂纹的原因以及金刚石锯片基体失效机理。
中国是锯片制造大国也是世界金刚石锯片最大的生产基地。在制造和使用锯片的过程中,由于材料性质差、生产工艺不合理、高热/冷却等原因,锯片表面会产生裂纹,累积使用中裂纹横向生长,容易导致锯片损坏。裂纹的存在严重拉低产品质量,缩短使用寿命,造成资源的浪费,危及厂商的信誉。尤其是锯片在高速运转条件下,切削条件极差,发生故障几率高。且故障一旦发生,严重危机用户的人身财产安全。因此,锯片生产后必须及时检查表面裂纹。
目前大部分工厂对量产的锯片主要是工人通过抽检或在流水线用肉眼实现质检的。优点是柔性化不需要专业设备,但是会受人的主观因素影响,如视觉分辨能力、疲劳度、责任心和经验等。效率低,还经常会产生误判和漏检等情况。成本高,耗时长,识别结果不统一,质量标准不一致。
随着机器视觉的发展,机器视觉、模式识别等智能手段取代人工,通过计算机算法自动理解图片的内容进行识别,逐渐成为识别领域的主流趋势。这种方式方便,快捷,裂纹图像的识别标准统一,在制定标准的前提下,识别率高,误判和漏检情况大大减少。且工厂只需要更新设备和软件,以及设计算法就可以达到针对不同对象的识别任务,大大降低成本。
传统图像识别流程主要是:预处理、特征提取和识别分类,特征影响着识别分类的结果。传统的图像识别算法都是人工(专家)定义特征来识别目标的。操作者或专家需要针对特定特征设计相应的特征识别模型,对多样性的特征鲁棒性差,且耗时又受经验影响。对象特征复杂时,因低层特征容易受亮度、阴影和形变等因素的影响,对象的联系和区别出现紊乱,人工提取特征方法对图像高层复杂特征不能有效进行表述,造成裂纹识别分类错误。
深度学习是给出了让计算机自动学习出模式特征的方法,并将特征学习融入到了建模的过程中,将特征提取和识别分类过程合并,利用多层神经网络结构和大量样本数据,自动将低层提取的简单特征组合并逐层送入顶层网络,学习出更能表述对象的高级特征。深度学习的深层结构具有强大的模型表达能力,目标的表述更贴切。和浅层结构相比可以解决更复杂的识别分类问题,识别正确率更高。
金刚石锯片表面环境复杂,裂纹形状多样,进行特征表述时不好处理,基于人工的特征提取方法需要针对不同特征对象类型设计特定算法进行提取,并结合分类器的选择和设计进行识别分类,会增加人的工作量,而且人工特征会导致误差的存在,识别率准确率难以提升。因此,将深度学习运用到金刚石锯片的裂纹识别上,实现根据大样本的自动学习识别分类锯片表面裂纹具有很大的意义。
发明内容
本申请为了解决现有技术中存在的问题,提供了锯片裂纹检测识别分拣系统及分拣方法,实现了锯片正反面裂纹的检测,高精准度,识别率高,可实现锯片的分捡,取代劳动力的低效。
锯片裂纹检测识别分拣系统,包括沿待测锯片传动方向依次布置的第一侧面检测部分、翻转部分和第二侧面检测部分,第一侧面检测部分包括第一传送带、第二传送带、检测区域、分选闸门装置和控制器,第一传送带穿过检测区域后通过分选闸门装置分别连接翻转部分和第二传送带,翻转部分输出的锯片送入第二侧面检测部分,所述控制器分别与检测区域和分选闸门建立连接。
进一步的,所述第一侧面检测部分与第二侧面检测部分结构相同。
进一步的,所述检测区域包括旋转平台、至少两个图像采集相机,旋转平台嵌设在第一传送带内,图像采集相机采集端分别对准旋转平台的正上方和旋转平台的侧面,用以采集位于旋转平台上的锯片正面图像信息和侧面图像信息。
进一步的,所述旋转平台包括动力装置、至少一个推杆、转盘和触碰开关,推杆水平放置,推杆的一端为运动端,另一端为固定端,动力装置带动推杆的运动端绕推杆的固定端往复转动。
进一步的,所述动力装置包括动力电机,转盘下端安装有转盘轴,推杆的固定端固定在推杆转轴上,动力电机输出轴通过同步带与转盘轴建立同步连接,转盘轴通过传送装置带动推杆转轴同步运动。
进一步的,所述第二传送带位于第一传送带下部,分选闸门包括分选电机、闸门转轴和闸门,闸门带有独立闸门传送带,分选电机输出端带动闸门转轴转动实现闸门一端绕闸门转轴往复转动。
进一步的,所述翻转部分包括翻转电机和对称布置在翻转电机输出端两侧的第一翻转装置与第二翻转装置,第一翻转装置和第二翻转装置通过连接杆与翻转电机的输出端建立连接,第一翻转装置位于第一检测装置的输出端,第二翻转装置位于第二检测装置的输入端。
进一步的,所述第一翻转装置包括第一翻转传送带和感应板,第二翻转装置包括第二翻转传送带和感应板,第一翻转传送带的传送方向与第一检测装置的传送输出方向相同,第二翻转传送带的传送方向与第二检测装置的传送输入方向相同。
锯片裂纹检测识别分拣系统的分拣方法,包括如下步骤:
步骤1、待测锯片通过第一侧面检测装置的第一传送带送至检测区域处;
步骤2、对检测区域对锯片进行诊断,看是否存在裂纹;
步骤3、若锯片出现裂纹,分选闸门打开,锯片进入第一侧面检测部分的第二传送带;
步骤4、若锯片上没有裂纹,锯片沿第一传送带送至翻转部分;
步骤5、翻转部分通过翻转电机带动第一翻转装置向第二翻转装置处翻转,实现锯片的翻面;
步骤7、利用第二侧面检测部分对锯片的另一侧面进行检测。
进一步的,锯片裂纹诊断方法包括:
步骤2.1、检测区域的旋转平台带动锯片转动,同时图像采集相机采集锯片全方位图像,并进行存储;
步骤2.2、以分辨率增强模块对锯片图片进行一些图像处理的操作;
步骤2.3、根据处理后的图像建立深度学习网络;
步骤2.4、判断锯片是否有裂纹,若锯片出现裂纹,进入步骤3,若锯片没有裂纹,进入步骤4。
本发明与现有技术相比具有如下有益效果:
本发明较其他检测装置的优势在于,可实现锯片的双面全局的检测,分为左右两侧检测系统,看似增加了时间,却很好的提高了检测的准确度,实现锯片正反的全息多角度检测,所谓的锯片裂纹分拣系统,其检测区主要包含了半圆形轨道、图像采集区(锯片图像数据采集模块,数据存储模块及数据通信模块),检测区的半圆形轨道加上全息双镜头的设计原理,能实现对图像的多旋转角度采集,避免单方向的图像某些信息丢失。数据存储模块经网络将采集到的锯片图像数据信息传输到数据处理加工模块并进行处理与分析,检测区的近乎全封闭的空间加上内置的同轴光源也成为锯片检测的一大特色,其设计方式可排除检测过程中的杂散光的干扰提高最终识别的准确率的。与此同时系统搭配有受控的自动分拣的闸门,其是通过上位机识别结果并由生成电气信号来控制分拣闸门的开闭,并将问题锯片同合格产品分离使问题锯片进入下层问题锯片层由传输带传输走。
金刚石锯片基体用钢产生裂纹的因素有:钢的化学成分、原材料缺陷、钢的原始组织、加热因素、冷却因素、锯片特有的结构特点等,导致片体端面分布各种应力聚集,尤其是周边的拉应力大大增加都是形成裂纹的潜在因素。锯片产生裂纹有以下几类原因:金刚石锯片基体材料缺陷引起的裂纹:非金属夹杂物、表面缺陷、带状偏析、热处理工艺不合理引起的裂纹、氧化与脱碳、淬火变形、过热和过烧、回火脆性、淬火介质选择不当引起的裂纹,本发明适用于以上问题锯片的识别。
附图说明
图1为本发明实施例的整体结构示意图;
图2为图1的俯视图;
图3为本发明实施例的检测区的结构示意图;
图4为本发明实施例的检测区的立体结构示意图;
图5为本发明实施例的检测区的俯视图;
图6为像素传感器结构示意图,图6a为无源像素图像传感器PPS,图6b为有源像素图像传感器APS;
图7为本发明实施例的COMS芯片结构框图;
图8为检测区传感器的结构示意图;
图9为本发明实施例的分选闸门结构示意图;
图10为本发明实施例的翻转部分结构示意图;
图11为本发明实施例的翻转部分俯视图;
图12为本发明实施例的检测区的检测流程示意图;
图13为本发明实施例的不同网络层数的Resnet神经网络误差训练曲线。
具体实施方式
下面结合附图对本申请进行进一步描述:
如图1和图2所示,锯片裂纹检测识别分拣系统,包括沿待测锯片传动方向依次布置的第一侧面检测部分1、翻转部分2和第二侧面检测部分3,第一侧面检测部分1包括第一传送带11、第二传送带12、检测区域13、分选闸门14装置和工控机15,第一传送带11穿过检测区域13后通过分选闸门14装置分别连接翻转部分2和第二传送带12,翻转部分2输出的锯片送入第二侧面检测部分3,所述工控机15分别与检测区域13和分选闸门14建立连接,本实施例的第一侧面检测部分1与第二侧面检测部分3结构相同。
如图3所示,检测区域13共分为两层,下层检测,上层为传输线连接以及相关的电气配置连接层,最后各个分信号传输线都连接到总的信号接口上,通过总接口连接到上位机,检测层包括旋转平台131、同轴光源132、第一图像采集相机133和第二图像采集相机134,旋转平台131嵌设在第一传送带11内,第一图像采集相机133位于旋转平台131的上方,并且第一图像采集相机133与旋转平台131所在的平面垂直,第二图像采集相机134摄像头的方向与旋转平台131呈60°夹角布置,用以采集位于旋转平台131上的锯片正面图像信息和侧面图像信息。
为了节约空间,本实施例的检测区域13内的第一传送带11轨道呈半圆形,在应用过程中,可以根据空间需要或生产需要将轨道设计成为其他形状;
锯片为片状结构,为了使用传送过程更为顺畅,本实施例的第一传送带11与旋转平台 131之间设有斜坡135,作为传送带和旋转平台131之间的桥接,实现锯片平稳的由进入到离开圆形检测区。
同轴光源132即漫射同轴灯,金属平面漫反射照明光源,位于检测区上部,提供了比传统光源更均匀的照明,因此提高了机器视觉的准确性和重现性。均匀照亮平面,有光泽的表面;加强划刻,凹陷,或压印特征;在镜面,漫射和/或吸收表面形成对比;降低透明外壳或遮盖物的透过率;电子元件检测。
同轴灯主要用于检测反光程度很厉害的平面物体,比如玻璃,同轴光源132能够凸显物体表面不平整,克服表面反光造成的干扰,主要用于检测物体平整光滑表面的碰伤、划伤、裂纹和异物。
同轴光源132特点:
高密度排列LED,亮度大幅提高;独特的散热结构,延长寿命,提高稳定性;高级镀膜分光镜,减少光损失;成像清晰,亮度均匀。同轴光源132应用
同轴光源132最适宜用于反射度极高的物体,如金属、玻璃、胶片、晶片等表面的划伤检测;
芯片和硅晶片的破损检测,Mark点定位;包装条码识别。
此检测区内部顶端安装的为同轴光源132作用可使光线均匀,使拍摄的图片清晰无杂散光的干扰。
第一图像采集相机133和第二图像采集相机134均为CMOS图像采集摄像头,具有数据传输接口,快速实时的进行图像数据采集和传输给工控机。
CMOS图像采集摄像头采用的是APS结构。APS结构的像素内部包含一个有源器件。由于该放大器在像素内部具有放大和缓冲功能,具有良好的消噪功能,且电荷不需要像CCD器件那样经过远距离移位到达输出放大器,因此避免了所有与电荷转移有关的CCD器件的缺陷。图像采集部分,由具有数据传输接口CMOS图像采集摄像头,快速实时的进行图像数据采集和传输给工控机,此部分为简略图,详细电路图及结构如图6所示。典型的CMOS图像传感器的总体结构如图7所示。在同一芯片上集成有模拟信号处理电路、I(2)C控制接口、曝光/白平衡控制、视频时序产生电路、数字转换电路、行选择、列选择及放大和光敏单元阵列。芯片上的模拟信号处理电路主要执行相关双采样(CorrelatedDouble Sampling,CDS)功能。芯片上的A/D转换器可以分为像素级、列级和芯片级几种情况,即每一个像素有一个A/D 转换器,每一个列像素有一个A/D转换器,或者每一个感光阵列有一个A/D转换器。由于受芯片尺寸的限制,所以像素级的A/D转换器不易实现。CMOS片内部提供了一系列控制寄存器,通过总线编程(如Pc总线)来对自增益、自动曝光、白色平衡、/校正等功能进行控制,编程简单、控制灵活。直接输出的数字图像信号可以很方便地与后续处理电路接口,供数字信号处理器对其进行处理。
CMOS图像传感器是一种典型的固体成像传感器,与CCD有着共同的历史渊源。CMOS图像传感器通常由像敏单元阵列、行驱动器、列驱动器、时序控制逻辑、AD转换器、数据总线输出接口、控制接口等几部分组成,这几部分通常都被集成在同一块硅片上。其工作过程一般可分为复位、光电转换、积分、读出几部分。
在CMOS图像传感器芯片上还可以集成其他数字信号处理电路,如AD转换器、自动曝光量控制、非均匀补偿、白平衡处理、黑电平控制、伽玛校正等,为了进行快速计算甚至可以将具有可编程功能的DSP器件与CMOS器件集成在一起,从而组成单片数字相机及图像处理系统。
CMOS图像传感器具有以下几个优点:1)、随机窗口读取能力。随机窗口读取操作是CMOS 图像传感器在功能上优于CCD的一个方面,也称之为感兴趣区域选取。此外,CMOS图像传感器的高集成特性使其很容易实现同时开多个跟踪窗口的功能。2)、抗辐射能力。总的来说, CMOS图像传感器潜在的抗辐射性能相对于CCD性能有重要增强。3)、系统复杂程度和可靠性。采用CMOS图像传感器可以大大地简化系统硬件结构。4)、非破坏性数据读出方式。5)、优化的曝光控制。值得注意的是,由于在像元结构中集成了多个功能晶体管的原因,CMOS图像传感器也存在着若干缺点,主要是噪声和填充率两个指标。鉴于CMOS图像传感器相对优越的性能,使得CMOS图像传感器在各个领域得到了广泛的应用。
CMOS图像传感器基本工作原理:
首先,外界光照射像素阵列,发生光电效应,在像素单元内产生相应的电荷。行选择逻辑单元根据需要,选通相应的行像素单元。行像素单元内的图像信号通过各自所在列的信号总线传输到对应的模拟信号处理单元以及A/D转换器,转换成数字图像信号输出。其中的行选择逻辑单元可以对像素阵列逐行扫描也可隔行扫描。行选择逻辑单元与列选择逻辑单元配合使用可以实现图像的窗口提取功能。模拟信号处理单元的主要功能是对信号进行放大处理,并且提高信噪比。另外,为了获得质量合格的实用摄像头,芯片中必须包含各种控制电路,如曝光时间控制、自动增益控制等。为了使芯片中各部分电路按规定的节拍动作,必须使用多个时序控制信号。为了便于摄像头的应用,还要求该芯片能输出一些时序信号,如同步信号、行起始信号、场起始信号等。
象素阵列工作原理:
图像传感器一个直观的性能指标就是对图像的复现的能力。而象素阵列就是直接关系到这一指标的关键的功能模块。按照像素阵列单元结构的不同,可以将像素单元分为无源像素单元PPS(passive pixel schematic),有源像素单元APS(activepixelschematic)和对数式像素单元,有源像素单元APS又可分为光敏二极管型APS、光栅型APS.
以上各种象素阵列单元各有特点,但是他们有着基本相同的工作原理。以下先介绍它们基本的工作原理,再介绍各种象素单元的特点。图6是单个象素的示意图。
(1)首先进入“复位状态”,此时打开门管M.电容被充电至V,二极管处于反向状态;
(2)然后进人“取样状态”.这时关闭门管M,在光照下二极管产生光电流,使电容上存贮的电荷放电,经过一个固定时间间隔后,电容C上存留的电荷量就与光照成正比例,这时就将一幅图像摄入到了敏感元件阵列之中了;
(3)最后进入“读出状态”.这时再打开门管M,逐个读取各像素中电容C上存贮的电荷电压。
无源像素单元PPS出现得最早,自出现以来结构没有多大变化。无源像素单元PPS结构简单,像素填充率高,量子效率比较高,但它有两个显着的缺点。一是,它的读出噪声比较大,其典型值为20个电子,而商业用的CCD级技术芯片其读出噪声典型值为20个电子。二,随着像素个数的增加,读出速率加快,于是读出噪声变大。
光敏二极管型APS量子效率比较高,由于采用了新的消噪技术,输出图形信号质量比以前有许多提高,读出噪声一般为75~100个电子,此种结构的C3&适合于中低档的应用场合。
在光栅型APS结构中,固定图形噪声得到了抑制。其读出噪声为10~20个电子。但它的工艺比较复杂,严格说并不能算完全的CMOS工艺。由于多晶硅覆盖层的引入,使其量子效率比较低,尤其对蓝光更是如此。就目前看来,其整体性能优势并不十分突出。
据市场调研公司Cahners In-stat Group预测,未来几年内,基于CMOS图像传感器的影像产品将达到50%以上,也就是说,到时CMOS图像传感器将取代CCD而成为市场的主流。可见,CMOS摄像机的市场前景非常广阔。
今后几年,全球CMOS图像传感器销售量将迅速增加,并将在许多数字图像应用领域向传统的CCD发起冲击。这是因为CMOS图像传感器件具有两大优点:一是价格比CCD器件低 15%~25%;二是其芯片的结构可方便地与其它硅基元器件集成,从而可有效地降低整个系统的成本。尽管过去CMOS图像传感器的图像质量比CCD差且分辨率低,然而经过迅速改进,已不断逼近CCD的技术水平,这种传感器件已广泛应用于对分辨率要求较低的数字相机、电子玩具、电视会议和保安系统的摄像结构中。
日本Nintendo有限公司推出的采用CMOS图像传感器的低分辨率数字相机,上市头两个月,销售量就达100万台。三菱公司、摩托罗拉、惠普、东芝和Intel公司也紧接着上市该类产品。
本实施例采用的工控机15是西门子工控机,其有以下特点:1:机箱采用钢结构,有较高的防磁、防尘、防冲击的能力。2:机箱内有专用底版,底版上有PCI和ISA插槽等。3:机箱内有专门电源,电源有较强的抗干扰能力。系统搭配有前期不断训练并加以改进的机器视觉识别神经网络算法,算法识别的率高达99.8%,并且执行效率高,能快速准确的识别出特征物体,并加以反馈,采集的图像一方面用于工作台上的锯片裂纹识别,另一方面将大量图像数据整合为数据集,提供给神经网络去训练优化。
如图4所示,所述旋转平台131包括动力电机1311、两个推杆、转盘1313和触碰开关,推杆水平放置,推杆的一端为运动端,另一端为固定端,转盘1313下端安装有转盘转轴1317,推杆的固定端固定在推杆转轴上,动力电电机输出轴通过同步带与转盘转轴1317建立同步连接,转盘转轴1317通过传送装置带动推杆转轴同步运动,进而实现推杆的运动端绕推杆的固定端往复转动。
本实施例采用第一推杆1312和第二推杆1319,第一推杆转轴1318与转盘转轴1317之间通过同步带建立连接,第二推杆转轴1320与转盘转轴1317之间设有传动转轴1314,传动转轴1314上套设固定有第一齿轮1315,第二推杆转轴1320上套固定有第二齿轮1316,转盘转轴1317与传动转轴1314之间通过同步带建立同步连接,第一齿轮1315与第二齿轮1316啮合连接,在工作过程中,动力电机1311通过同步带带动转盘转轴1317转动,相应的转盘转轴1317通过同步带带动第一推杆转轴1318和第二推杆转轴1320转动,第一推杆转轴1318的转动实现第一推杆1312的转动,第二推杆转轴1320转动时,通过啮合的第一齿轮1315和第二齿轮1316实现第二推杆1319的转动,完成两根推杆同步同位置运动,将锯片4推离旋转平台131。
如图8所示,本实施例的圆形旋转平台131部分的触碰开关俯视图,触碰开关的外部罩有圆形接触体1321,触碰开关包括弹簧1322、圆形接触体1325、触碰杆1323和旋转关节轴 1324,触碰开关的圆形接触体1321,与内部电路连接,其可与带有弹性拉力的触碰杆1323 相触碰并接通电路,正常状态时由于推杆的作用力,触碰杆1323和圆形接触体1321是分开的,只有当推杆做顺时针运动到一定点时,推杆和触碰杆1323脱离,两者之间无作用力,由于触碰杆1323连接有弹性装置,会带动触碰杆1323与圆形接触体1321触碰连接,使得电路接通上电源,其与压力传感器并联同步控制电路的带电状态,并控制电机旋转(此设计的目的就是为了确保推杆每次都可回到初始转动时的位置。由于锯片脱离圆形旋转平台131,平台无压力信号时,电源会被断开,但此时推杆并未回到初始位置,由于设计的接触开关同压力传感器处于并联状态,且在推杆未回到初始位置时一直保持着电路的通电,直到推杆回到初始位置,触碰杆1323在推杆惯性力的作用,使触碰杆1323与圆形触碰体脱离,触碰开关再次断开,此时整个电路才脱离带电状态。推杆停止,平台停止转动
本实施例的第二传送带12位于第一传送带11下部,经检测区域13检测后,有问题的锯片通过分选闸门14落入第二传送带12并送出,如图9所示,分选闸门14包括分选电机141、闸门转轴142和闸门,闸门带由独立闸门传送带143和滑动运动滚轮144构成,不仅可以实现锯片的传送,也具有支撑锯片的作用,本实施例的闸门转轴142与分选闸门14连接一体,分选电机141输出端通过齿轮带动闸门转轴142转动实现闸门一端绕闸门转轴142往复转动,受工控机的控制,当图像采集识别过程中如若发现特征目标,则可以控制闸门的开关,滚轮 144与传送带不相连接,但是可电动控制其滚动的,正常锯片通过,闸门不开,受控电动滚轮144滚动并使其送出检测区,并传送到传送带上,随传送带一同移动,转向下个阶段,锯片的正反翻转。以待右侧的检测区进行二次反面检测,问题锯片通过,控制机反馈识别结果,控制闸门打开,使锯片进入第二传送带并传输走。
如图10和图11所示,本实施例的翻转部分2包括翻转电机21和对称布置在翻转电机 21输出端两侧的第一反转装置22与第二反转装置23,第一反转装置22和第二反转装置23 通过连接杆与翻转电机21的输出端建立连接,第一反转装置22位于第一检测装置的输出端,第二反转装置23位于第二检测装置的输入端。
进一步的,所述第一反转装置22包括第一翻转传送带221和感应板223,第二反转装置 23包括第二翻转传送带222和感应板223,第一翻转传送带221的传送方向与第一检测装置的传送输出方向相同,第二翻转传送带222的传送方向与第二检测装置的传送输入方向相同。
翻转部分2主要流程为,首先锯片传送到翻转区域,进入翻转装置,由翻转装置的底部的传送带带动下使锯片继续像前运动,直到锯片运动到带有压力传感器的感应板处锯片停止运动,并触发了此区域的压力传感器,由此控制翻转电机21做180度旋转操作,带动翻转装置旋转到右侧图示的位置,锯片从左侧的底面的感应板223区域到右侧,整个翻转装置倒了过来,由于旋转了180度,锯片落到在左侧时的翻转装置的顶面的传送带上,在传送带的带动下锯片被传送给了外部传送带。
本实施例的具体工作过程为:
首先,由传送带输入锯片,进入左侧检测区,检测内有高清实时快速采集图片数据的CMOS 摄像头,拍摄完的图片接口和信号线传输到工控机,配有前期学习好并加以改良的自学习自适应的神经网络识别算法,该算法对物体的特征的识别高效准确,进入内部半圆形检测区,检测区对传送轨道的形状没有特殊要求,本专利采用圆形轨道,如应用到其他具体方面只要方案合理即可,检测区的镜头采用全息高清的CMOS图像采集传感器,一个采集镜头安装放在半圆形轨道90度位置的垂直的正上方,垂直的镜头采集的是水平图像,另外一个安放在与水平半圆形轨道成60度夹角的斜上方位置指向的位置也就是锯片正好能经过两个镜头都能同时采集到的位置,此斜方向的镜头对锯片实现了多旋转角度的锯片图像采集,在圆形轨道90 度的位置安装有可带动锯片做旋转运动的平台,此平台带动锯片转动并和两个摄像头相配合实现图像的采集。经内部检测区半圆型检测区检测后,由识别完的结果,通过控制系统的作用,来控制闸门的开闭,此步将问题锯片分离出来,使其进入下层,通过左侧检测区的锯片,进入下一环节的锯片正反面翻转操作,由翻转装置来操作完成,当锯片进入翻转装置内,首先锯片传送到翻转区域,进入翻转装置,由翻转装置的底部的传送带带动下使锯片继续像前运动,直到锯片运动到带有压力传感器的感应板区域锯片停止运动,并触发了此区域的压力传感器,由此控制步进电机带动翻转装置做180度旋转操作,带动翻转装置旋转到右侧图示的位置,锯片从左侧的底面的感应板区域到右侧,整个翻转装置倒了过来,由于旋转了180 度,锯片落到在左侧时的翻转装置未翻转时顶面的传送带上,原来左侧的顶面变成了底面,在传送带的带动下锯片被传送到右侧传送带,跟随右侧传送带进入右侧的检测区进行检测,操作流程与左侧相同,问题锯片被分拣到下层,随下层传送带被传送走,合格产品,上层进入右侧检测区并通过的合格锯片,随着传送的产品包装间。
锯片裂纹检测识别分拣系统的分拣方法,包括如下步骤:
步骤1、待测锯片通过第一侧面检测装置的第一传送带送至检测区域处;
步骤2、对检测区域对锯片进行诊断,看是否存在裂纹;
步骤3、若锯片出现裂纹,分选闸门打开,锯片进入第一侧面检测部分的第二传送带;
步骤4、若锯片上没有裂纹,锯片沿第一传送带送至翻转部分;
步骤5、翻转部分通过翻转电机带动第一翻转装置向第二翻转装置处翻转,实现锯片的翻面;
步骤7、利用第二侧面检测部分对锯片的另一侧面进行检测。
所述评估锯片否存在裂纹的方法包括以下步骤:
2.1、采集大量的锯片图片:在检测区处安装两个不同拍摄角度CMOS传感器并且检测区圆形轨道上有一个可带锯片旋转的旋转平台。垂直锯片的采集摄像头采集平面锯片数据,另一采集摄像头的安装位置到与锯片经过点成一定角度,其采集与锯片成一定角度的图像,避免单个角度对图像信息采集的不完全,当锯片被传送带传送到旋转平台时,旋转平台带着锯片做旋转运动,两摄像头实现对锯片全方位的拍摄,并将锯片图像数据存储在存储模块中锯片图片包括正常的无裂纹的锯片图和带有裂纹的锯片图;
数据存储模块经网络传输线将图片数据上传至数据分析处理模块;数据分析处理模块根据数据还原锯片图片,数据分析处理模块以分辨率增强模块对锯片图片进行一些图像处理的操作(图像的二值化等),对图像的处理为了提高系统对图像识别的准确率。
2.2、基于深度学习算法,根据步骤2.1中采集的锯片图片对数据分析处理模块进行训练,使数据分析处理模块具备深度学习网络框架;
2.3、数据分析处理模块对实时采集的锯片图片进行图像处理以提升其分辨率和清晰度等,此模块是基于深度学习技术,形成初步的处理结果图,并交给训练好的神经网络框架去识别分析;
2.4、数据分析处理模块经深度学习网络框架对结果图进行分析从而识别出带有裂纹的问题锯片;
最终数据分析处理模块经训练好深度学习网络框架对锯片图进行分析以对锯片的质量以及是否存在裂纹进行评估。图11为整体分拣锯片系统的处理流程图。图12 为不同层Resnet神经网络的训练误差数据分析图,其实现过程及神经网络实现所用到的算法公式:
卷积层的卷积计算:
设当前层l为卷积层,下一层l+1为子采样层Subsampling.则卷积层l的输出Feature map为:
残差计算:第l层的第j个feature map的残差公式为:
其中:
其导数为
F′=F(x)*(1-F(x)) (4)
子采样层的采样计算:
假设采样层是对卷积层的均值处理,公式为:
残差计算:
设当前层l为子采样层,下一层l为卷积层。第l的第j个feature map的残差公式为:
实际上简单的来说RESNET学习的残差函数是:
F(x)=H(x)-x (7)
H(x)为前一层残差块的输出,x为当前层残差块的输出,所要学习的就是两者差值,最终达到准确无误(理想),这里如果F(x)=0,那么就是上面提到的恒等映射。然而本专利采用的神经网络算法经过了不断的训练,最终能准确快速达到的良好识别结果。
表1、ResNet模型实验训练数据准确率变化数据表:
从图13的以及表1中明显看出,随着网络层数的增加,误差的收敛速度加快,并且随着训练次数的增加,准确率在不断的提高,由于此神经网络,较其他网络而言解决网络层数加深的退化问题的同时,还具有强大的泛化,对于锯片这种裂纹特征较多,数据量较大,训练次数较大的问题而言,很是相切合。而且准确的达到识别并分拣锯片的功能,省去了人眼观察进行检测的低效劳动。
本发明的实施例的上述描述是为了示例和说明的目的而给出的。它们并不是穷举性,也不意于将本发明限制于这些精确描述的内容,在上述教导的指引下,还可以有许多改动和变化。这些实施例被选中和描述仅是为了最好解释本发明的原理以及它们的实际应用,从而使得本领域技术人员能够更好地在各种实施例中并且使用适合于预期的特定使用的各种改动来应用本发明。因此,应当理解的是,本发明意欲覆盖在下面权利要求范围内的所有改动和等同。
Claims (7)
1.锯片裂纹检测识别分拣系统,其特征在于:包括沿待测锯片传动方向依次布置的第一侧面检测部分、翻转部分和第二侧面检测部分,第一侧面检测部分包括第一传送带、第二传送带、检测区域、分选闸门装置和控制器,第一传送带穿过检测区域后通过分选闸门装置分别连接翻转部分和第二传送带,翻转部分输出的锯片送入第二侧面检测部分,所述控制器分别与检测区域和分选闸门建立连接;
所述检测区域包括旋转平台、第一图像采集相机和第二图像采集相机,旋转平台嵌设在第一传送带内,第一图像采集相机位于旋转平台的上方,并且第一图像采集相机与旋转平台所在的平面垂直,第二图像采集相机摄像头的方向与旋转平台呈60°夹角布置,用以采集位于旋转平台上的锯片正面图像信息和侧面图像信息;
所述旋转平台包括动力装置、第一推杆、第二推杆、转盘和触碰开关,推杆水平放置,推杆的一端为运动端,另一端为固定端,动力装置带动推杆的运动端绕推杆的固定端往复转动;
第一推杆转轴与转盘转轴间通过同步带建立连接,第二推杆转轴与转盘转轴之间设有传动转轴,传动转轴上套设固定有第一齿轮,第二推杆转轴上套固定有第二齿轮,转盘转轴与传动转轴之间通过同步带建立同步连接,第一齿轮与第二齿轮啮合连接;
触碰开关包括弹簧、圆形接触体、触碰杆和旋转关节轴,触碰开关的圆形接触体与内部电路连接,与压力传感器并联同步控制电路的带电状态,所述触碰杆一端通过弹簧连接圆形接触体,位于初始位置的所述第二推杆的运动端抵靠触碰杆的另一端使触碰杆与圆形接触体处于分开状态,当第二推杆运动端转动时,第二推杆脱离所述触碰杆后,使触碰杆在弹簧的作用下与圆形接触体连接,使用电路接通电源,第二推杆的运动端持续转动回到初始位置时,触碰杆与圆形触碰体脱离,触碰开关断开,整个电路脱离带电状态。
2.根据权利要求1所述锯片裂纹检测识别分拣系统,其特征在于:所述第一侧面检测部分与第二侧面检测部分结构相同。
3.根据权利要求1所述锯片裂纹检测识别分拣系统,其特征在于:所述动力装置包括动力电机,转盘下端安装有转盘轴,推杆的固定端固定在推杆转轴上,动力电机输出轴通过同步带与转盘轴建立同步连接,转盘轴通过传送装置带动推杆转轴同步运动。
4.根据权利要求1所述锯片裂纹检测识别分拣系统,其特征在于:所述第二传送带位于第一传送带下部,分选闸门包括分选电机、闸门转轴和闸门,闸门带有独立闸门传送带,分选电机输出端带动闸门转轴转动实现闸门一端绕闸门转轴往复转动。
5.根据权利要求1所述锯片裂纹检测识别分拣系统,其特征在于:所述翻转部分包括翻转电机和对称布置在翻转电机输出端两侧的第一翻转装置与第二翻转装置,第一翻转装置和第二翻转装置通过连接杆与翻转电机的输出端建立连接,第一翻转装置位于第一检测装置的输出端,第二翻转装置位于第二检测装置的输入端。
6.根据权利要求5所述锯片裂纹检测识别分拣系统,其特征在于:所述第一翻转装置包括第一翻转传送带和感应板,第二翻转装置包括第二翻转传送带和感应板,第一翻转传送带的传送方向与第一检测装置的传送输出方向相同,第二翻转传送带的传送方向与第二检测装置的传送输入方向相同。
7.锯片裂纹检测识别分拣系统的分拣方法,其特征在于:基于权利要求1-6任一权利要求所述的锯片裂纹检测识别分拣系统实现,包括如下步骤:
步骤1、待测锯片通过第一侧面检测装置的第一传送带送至检测区域处;
步骤2、对检测区域对锯片进行诊断,看是否存在裂纹;
锯片裂纹诊断方法包括;
步骤2.1、检测区域的旋转平台带动锯片转动,同时图像采集相机采集锯片全方位图像,并进行存储;
步骤2.2、以分辨率增强模块对锯片图片进行一些图像处理的操作;
步骤2.3、根据处理后的图像建立深度学习网络;
步骤2.4、判断锯片是否有裂纹,若锯片出现裂纹,进入步骤3,若锯片没有裂纹,进入步骤4;
步骤3、若锯片出现裂纹,分选闸门打开,锯片进入第一侧面检测部分的第二传送带;
步骤4、若锯片上没有裂纹,锯片沿第一传送带送至翻转部分;
步骤5、翻转部分通过翻转电机带动第一翻转装置向第二翻转装置处翻转,实现锯片的翻面;
步骤7、利用第二侧面检测部分对锯片的另一侧面进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910473670.8A CN110142228B (zh) | 2019-06-01 | 2019-06-01 | 锯片裂纹检测识别分拣系统及分拣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910473670.8A CN110142228B (zh) | 2019-06-01 | 2019-06-01 | 锯片裂纹检测识别分拣系统及分拣方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110142228A CN110142228A (zh) | 2019-08-20 |
CN110142228B true CN110142228B (zh) | 2021-06-25 |
Family
ID=67589884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910473670.8A Expired - Fee Related CN110142228B (zh) | 2019-06-01 | 2019-06-01 | 锯片裂纹检测识别分拣系统及分拣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110142228B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112827866A (zh) * | 2020-12-30 | 2021-05-25 | 大连理工江苏研究院有限公司 | 一种生物医药的智能产品识别装置及其识别方法 |
CN113160147B (zh) * | 2021-03-30 | 2023-06-13 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 热处理工件图像特征识别匹配系统 |
CN116159777B (zh) * | 2023-04-18 | 2023-06-23 | 石家庄康力药业有限公司 | 一种基于视觉检测的质量判定系统及方法 |
CN116993696A (zh) * | 2023-08-03 | 2023-11-03 | 苏州阿普奇物联网科技有限公司 | 一种基于机器视觉的金刚石锯片裂纹检测方法及其装置 |
CN117772616B (zh) * | 2024-02-23 | 2024-05-14 | 苏州卓晟裕智能科技有限公司 | 智能物流机器人的自动分拣方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4324166C2 (de) * | 1993-07-19 | 1996-02-22 | Michael Bruckschloegl | Vorrichtung zum Schneiden von Mauersteinen |
JPH09288061A (ja) * | 1996-04-19 | 1997-11-04 | Ikegami Tsushinki Co Ltd | 小物物品の外観検査方法及び装置 |
JP2004284698A (ja) * | 2003-03-19 | 2004-10-14 | Sharp Corp | ワーク搬送装置 |
CN202144390U (zh) * | 2011-06-28 | 2012-02-15 | 天津力神电池股份有限公司 | 一种能够实现产品翻转换向的传输装置 |
CN204751446U (zh) * | 2015-07-15 | 2015-11-11 | 广东皇麦世家食品有限公司 | 一种全电脑金属异物检测器 |
CN105728339A (zh) * | 2016-02-05 | 2016-07-06 | 湖北工业大学 | 一种陶瓷阀芯视觉自动检测系统 |
CN205708699U (zh) * | 2016-04-11 | 2016-11-23 | 马明应 | 一种生态板自动翻转装置 |
CN106645151A (zh) * | 2016-12-08 | 2017-05-10 | 苏州德创测控科技有限公司 | 一种螺丝的涂胶检测装置 |
CN107626605A (zh) * | 2017-09-12 | 2018-01-26 | 上海海洋大学 | 一种用于与传送装置配套的下摆式剔除装置 |
CN107831175A (zh) * | 2017-11-17 | 2018-03-23 | 广西我的科技有限公司 | 一种板材表面缺陷双面检测装置及其检测方法 |
CN207226410U (zh) * | 2017-04-18 | 2018-04-13 | 广州市晶邦液压密封技术有限公司 | 一种垫片质检输送装置 |
CN108405356A (zh) * | 2018-03-02 | 2018-08-17 | 浙江怡亚信智能科技有限公司 | 一种o型圈视觉检测装置 |
CN109724985A (zh) * | 2018-12-12 | 2019-05-07 | 江苏大学 | 一种板件表面缺陷的自动检测装置 |
CN208856404U (zh) * | 2018-10-12 | 2019-05-14 | 成都乐伯特机器人有限公司 | 一种塑料盖板自动分拣系统 |
CN109794435A (zh) * | 2019-01-18 | 2019-05-24 | 金陵科技学院 | 基于深度学习的水果质量检测系统及方法 |
-
2019
- 2019-06-01 CN CN201910473670.8A patent/CN110142228B/zh not_active Expired - Fee Related
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4324166C2 (de) * | 1993-07-19 | 1996-02-22 | Michael Bruckschloegl | Vorrichtung zum Schneiden von Mauersteinen |
JPH09288061A (ja) * | 1996-04-19 | 1997-11-04 | Ikegami Tsushinki Co Ltd | 小物物品の外観検査方法及び装置 |
JP2004284698A (ja) * | 2003-03-19 | 2004-10-14 | Sharp Corp | ワーク搬送装置 |
CN202144390U (zh) * | 2011-06-28 | 2012-02-15 | 天津力神电池股份有限公司 | 一种能够实现产品翻转换向的传输装置 |
CN204751446U (zh) * | 2015-07-15 | 2015-11-11 | 广东皇麦世家食品有限公司 | 一种全电脑金属异物检测器 |
CN105728339A (zh) * | 2016-02-05 | 2016-07-06 | 湖北工业大学 | 一种陶瓷阀芯视觉自动检测系统 |
CN205708699U (zh) * | 2016-04-11 | 2016-11-23 | 马明应 | 一种生态板自动翻转装置 |
CN106645151A (zh) * | 2016-12-08 | 2017-05-10 | 苏州德创测控科技有限公司 | 一种螺丝的涂胶检测装置 |
CN207226410U (zh) * | 2017-04-18 | 2018-04-13 | 广州市晶邦液压密封技术有限公司 | 一种垫片质检输送装置 |
CN107626605A (zh) * | 2017-09-12 | 2018-01-26 | 上海海洋大学 | 一种用于与传送装置配套的下摆式剔除装置 |
CN107831175A (zh) * | 2017-11-17 | 2018-03-23 | 广西我的科技有限公司 | 一种板材表面缺陷双面检测装置及其检测方法 |
CN108405356A (zh) * | 2018-03-02 | 2018-08-17 | 浙江怡亚信智能科技有限公司 | 一种o型圈视觉检测装置 |
CN208856404U (zh) * | 2018-10-12 | 2019-05-14 | 成都乐伯特机器人有限公司 | 一种塑料盖板自动分拣系统 |
CN109724985A (zh) * | 2018-12-12 | 2019-05-07 | 江苏大学 | 一种板件表面缺陷的自动检测装置 |
CN109794435A (zh) * | 2019-01-18 | 2019-05-24 | 金陵科技学院 | 基于深度学习的水果质量检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110142228A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110142228B (zh) | 锯片裂纹检测识别分拣系统及分拣方法 | |
CN109724984B (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN105891233B (zh) | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 | |
AU2020224096A1 (en) | Neural network based physical condition evaluation of electronic devices, and associated systems and methods | |
CN111006608B (zh) | 透明板材通孔视觉检测系统及方法 | |
CN102621156B (zh) | 基于图像处理的微小零件自动分拣系统 | |
CN112452801A (zh) | 一种高效率的玻璃瓶缺陷在线检测装置及其工作方法 | |
CN105738384A (zh) | 玻璃表面缺陷检测装置 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN111965636A (zh) | 一种基于毫米波雷达和视觉融合的夜间目标检测方法 | |
CN109255787A (zh) | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 | |
CN102854194A (zh) | 基于线阵ccd的物件表面缺陷检测方法及装置 | |
Yang et al. | An automatic aperture detection system for LED cup based on machine vision | |
CN108672316A (zh) | 一种基于卷积神经网络的微小零件质量检测系统 | |
CN103234974A (zh) | 锂电池无损检测方法 | |
CN113145492A (zh) | 一种用于梨外观品质视觉分级方法及分级生产线 | |
CN105044119A (zh) | 一种基于灰度均值分析的玻璃瑕疵分类方法 | |
CN114636706A (zh) | 一种太阳能电池片在镀膜后的图像检测的综合方法及装置 | |
CN101937505B (zh) | 一种目标检测方法和设备及其使用的图像采集装置 | |
CN112975970A (zh) | 一种视觉抓取机械臂系统 | |
CN114113129B (zh) | 一种镜片微小缺陷识别抓取系统及方法 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN103293167A (zh) | 泡沫镍中铜颗粒自动检测方法及系统 | |
CN108827974B (zh) | 一种瓷砖缺陷检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210625 |
|
CF01 | Termination of patent right due to non-payment of annual fee |