CN110514668A - 一种小型锻件后处理生产线产品缺陷检测装置及检测方法 - Google Patents

一种小型锻件后处理生产线产品缺陷检测装置及检测方法 Download PDF

Info

Publication number
CN110514668A
CN110514668A CN201910669230.XA CN201910669230A CN110514668A CN 110514668 A CN110514668 A CN 110514668A CN 201910669230 A CN201910669230 A CN 201910669230A CN 110514668 A CN110514668 A CN 110514668A
Authority
CN
China
Prior art keywords
forging
image
adjustable support
production line
ccd camera
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.)
Pending
Application number
CN201910669230.XA
Other languages
English (en)
Inventor
姬伟
丁一
袁浩
张寒冰
陈希飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201910669230.XA priority Critical patent/CN110514668A/zh
Publication of CN110514668A publication Critical patent/CN110514668A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • G01N2021/8918—Metal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N2021/8924—Dents; Relief flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30116—Casting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Evolutionary Biology (AREA)
  • Textile Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Forging (AREA)
  • Sorting Of Articles (AREA)

Abstract

本发明公开了一种小型锻件后处理生产线产品缺陷检测装置及检测方法，输送链板上方安装有支架和上料机械手，支架中放置CCD摄像机；输送链板末端安装下料机械手；待检测的小型锻件放置在输送链板上；CCD摄像机和TM NPU模块上的集成接口相连接。TM NPU模块对CCD摄像机采集的原始锻件图像采用中值滤波、自适应阈值分割和边缘提取，然后根据主成分分析后的特征样本数据，基于卷积神经网络方法实现对锻件缺损进行分类识别，并将检测结果输出给生产线上所设计的西门子Simatic S7系列PLC控制系统来完成分拣任务。小型锻件缺陷检测子系统与锻件生产线PLC控制子系统实现了无缝连接，简化了整个锻件后处理生产线控制系统的结构，节省了成本，提高了生产效率。

Description

一种小型锻件后处理生产线产品缺陷检测装置及检测方法
技术领域
本发明属于锻件缺陷检测领域，具体涉及一种小型锻件后处理生产线产品缺陷检测装置及其检测方法。
背景技术
目前对于国内而言，小型锻件的市场巨大，需求量高，如果锻件有缺陷，会严重影响产品质量，必须在投入之前提出存在缺陷的个体。缺陷检测作为工业生产加工中的一个重要的环节，需要和其他生产环节紧密结合起来。工业生产环境中常用西门子的控制器作为控制核心，以工控机为基础的传统检测系统想要接入西门子控制系统会极为复杂和麻烦。所以，传统的缺陷检测技术已无法满足工业生产需求，迫切需要全新的缺陷检测装置及检测方法，而随着制造产业的升级和人工智能在各产业中的运用，出现了全新的集结了人工智能芯片的模块，该人工智能模块的出现，可以替代工控机完成视觉检测任务，并能直接接入西门子控制系统中，提高了效率，方便生产。
发明内容
针对上述不足，本发明提出了一种小型锻件后处理生产线产品缺陷检测装置和方法，包括锻件运送装置、机械手、图像采集和检测装置。在经过自动运送锻件、机械手辅助操作和分拣、多角度图像采集和处理，与锻件后处理生产线PLC控制子系统无缝连接，实现对小型锻件缺陷的全方位检测及分拣。
本发明的技术方案为：
一种小型锻件后处理生产线产品缺陷检测装置，包括锻件运送装置、机械手、图像采集和检测装置；
所述锻件运送装置包括了间歇式链板输送带(1)和底座(2)，底座用来放置锻件，并通过输送带(1)传送；
所述图像采集和检测装置包括图像采集装置和图像检测装置，图像采集装置采用带支架的CCD摄像机，图像检测装置采用西门子TM NPU模块(12)，模块上的集成接口与CCD摄像机相连接获取锻件图像；通过图像采集和检测装置进行多角度图像采集和处理；并通过机械手配合图像采集和检测装置进行辅助操作和分拣；
在图像采集装置采集到图像信息后，经过TM NPU模块中专用神经计算引擎运算，实现对锻件缺陷的在线智能检测，将处理结果送入PLC控制系统，通过TM NPU模块直接与锻件生产线PLC控制系统(13)无缝连接，实现整个锻件后处理生产线控制任务。
进一步，图像采集装置沿着输送带(1)方向依次包括第一可调节支架(5)、第二可调节支架(6)、第三可调节支架(7)及三个可调节支架上安装的多个CCD摄像机；第一可调节支架(5)上端安装第一CCD摄像机(8)，朝向第二可调节支架(6)一侧向下一定角度拍摄；第二可调节支架(6)上端和下端分别安装第二CCD摄像机(9)、第三CCD摄像机(10)，其中上端的第二CCD摄像机(9)朝向第一可调节支架(5)一侧向下一定角度拍摄，下端的第三CCD摄像机(10)朝向第三可调节支架(7)一侧向上一定角度拍摄；第三可调节支架(7)下端安装第四CCD摄像机(11)，朝向第二可调节支架(6)一侧向上一定角度设置；专门设计的三个可调节支架通过旋钮的松紧，进行CCD摄像机高度调节和角度调节。
进一步，第三可调节支架(7)左右两侧分别设置有机械手，机械手包括左侧的上料机械手(3)和右侧的下料机械手(4)，上料机械手(3)用于抓取锻件并提升工位，下料机械手(4)用于对锻件进行测厚、翻面，并完成分拣工作。
本发明的一种小型锻件后处理生产线产品缺陷图像采集方法，技术方案包括如下步骤：
锻件(14)经过前一条生产线处理，由搬运机械夹取放在锻件运送装置的底座上，每间隔几秒的时间将一组放置到输送带(1)起始处，管接头方向垂直于输送带前进方向，可实现输送过程中锻件等间距排列在输送带上，并且随输送带以15cm/s的速度向前运送进行图像采集；
图像采集装置图像采集装置包括第一可调节支架(5)、第二可调节支架(6)、第三可调节支架(7)及三个可调节支架上安装的CCD摄像机，专门设计的三个支架可通过旋钮的松紧，进行高度调节和摄像机角度调节，可调节支架之间间隔的距离为60cm，第一可调节支架(5)与输送带起始位置保持一定距离，当锻件到达第一可调节支架(5)和第二可调节支架(6)之间中点位置，输送带停止作业，停顿一定时间，第一CCD摄像机(8)和第二CCD摄像机(9)分别安装在两个支架的上端距输送带30cm位置，摄像机镜头倾斜向下45°对准锻件的左上和右上的侧面，进行第一次视觉检测，拍摄获取锻件左上和右上的图像；
完成后，输送带恢复传送作业，锻件继续以15cm/s的速度向前移动，4s后前进60cm，到达第二可调节支架(6)和第三可调节支架(7)之间中点位置，输送带停止作业。该中点位置的上料机械手(3)，初始状态停在最底部，实现锻件工位提升至与支架顶部相同高度的30cm处，第二可调节支架(6)和第三可调节支架(7)下端分别安装第三CCD摄像机(10)和第四CCD摄像机(11)，摄像机镜头倾斜向上45°对准锻件的左下和右下的侧面，进行第二次视觉检测，拍摄获取锻件左下和右下的图像。同时，下一个锻件也刚好传送至第一可调节支架(5)和第二可调节支架(6)之间中点处，保证图像采集和工件传输的连续性；
当上料机械手(3)放下锻件后，停在最底部等待下一个锻件到来，输送带继续工作；每次间隔9s的时间里，工件会经过包括第一次视觉检测、第二次视觉检测和上料机械手上料下料三个任务，从而实现对锻件整体全方位的图像采集；在装置末处设置下料机械手(4)，完成第二次视觉检测工作后，锻件继续前进60cm，到达传送带末端，下料机械手会对小型锻件进行分拣工作，将合格的锻件取出，送入下一个生产线，而不合格的锻件会沿着输送带滑出落到收集箱中；通过TM NPU模块直接与锻件生产线PLC控制系统(13)无缝连接，进行锻件缺陷检测的数据分析处理，实现整个锻件后处理生产线控制任务。
进一步，锻件缺陷检测的数据分析处理包括对锻件表面裂纹、凹坑、折叠的处理；对锻件表面图像进行中值滤波、阈值分割和边缘提取后，将图像80×80像素输入进卷积神经网络模型中，然后将目标图像输入到卷积层，用16个大小为5×5像素核与图像的卷积得到新的80×80×16图像矩阵；然后再输入到池化层，压缩图像尺寸，得到40×40×16图像矩阵；接着再进行一次卷积池化处理，进一步缩小图像矩阵，得到20×20×36图像矩阵；再输入到扁平层，将图像矩阵转化为一维向量，结果为14400；将一维向量输入到全连层对数据进行压缩，数据大小转化为4；最终采取Softmax归一化函数，判断缺陷类别。Softmax归一化处理式为其中，Δμ为全连层输出的数据；y为类别；μ＝1，2，3，4。
本发明的有益效果是：
1、该检测装置的结构最大的优点在于，可调节支架可以调整CCD图像摄像机的高度和镜头的角度，并且通过和机械手进行巧妙的配合，使得在采集图像数据时很灵活，其可从多个方位采集锻件的图像数据，专门用于实现对复杂锻件表面裂纹、凹坑、折叠的检测识别；相对于传统的图像采集装置，该装置收集图像数据更加全面，出错率非常低，并且在PLC控制系统的控制下，实现了图像采集的自动化、机械化，也大大缩减了图像收集时间。
2、采用西门子全新的TM NPU模块，相比于传统的工控机处理模式，该模块可以与西门子控制系统实现无缝连接，简化了检测装置，检测系统也更加简单化、实用化。
3、采用卷积神经网络的深度学习算法，将TM NPU模块的专用功能发挥到最大化，使得整个检测效率大大提升。
附图说明
图1是本发明提供的小型锻件后处理生产线产品缺陷检测装置的结构示意图；
图2是整个缺陷检测装置的工作流程图；
图3是卷积神经网络的模型框架。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
参见图1至3，一种小型锻件后处理生产线产品缺陷检测装置及检测方法
如图1所示是小型锻件后处理生产线产品缺陷检测装置的整体示意图。其中包括锻件运送装置、机械手、图像采集和检测装置。待检测的锻件(14)由前一条生产线送过来，放置在专用底座(2)上，每间隔9s的时间将一组一起放在输送带(1)起始处，并随输送带向前传送，输送带传送速度为15cm/s。在经过4秒后前进60cm，到达第一可调节支架(5)和第二可调节支架(6)之间中点位置时，停顿5秒，进行第一次视觉检测，第一CCD摄像机(8)和第二CCD摄像机(9)获取锻件左上和右上侧面的图像。再经过4秒前进60cm，传送至第二可调节支架(6)和第三可调节支架(7)之间中点位置时，停顿5秒，上料机械手(3)抓取锻件并提升工位，进行第二次视觉检测，第三CCD摄像机(10)和第四CCD摄像机(11)获取锻件左下和右下侧面的图像。完成两次视觉检测后，图像检测装置西门子TM NPU模块(12)对图像数据进行处理分析，判断完成后，下料机械手(4)对锻件进行测厚、翻面，并完成分拣工作，图像检测装置与PLC控制子系统(13)之间无缝连接，简化整个锻件后处理生产线控制系统的结构，提高生效率。
如图1所示运送装置包括“间歇式”链板输送带(1)和专用底座(2)，专用底座和锻件由前一道工序送过来，间隔相同的时间放置到输送带起始处，随输送链板向前运送。
如图1所示机械手包括上料机械手(3)和下料机械手(4)，上料机械手对第二次视觉检测必不可少，其位于第三可调节支架的左侧30cm位置，用来提升锻件的工位，摄像机能够更好的获取锻件左下和右下的图像。下料机械手位于第三可调节支架右侧30cm位置，在完成视觉检测后工作，下料机械手上的激光测距传感器对锻件进行测厚，并能对锻件进行翻面工作，然后将合格的锻件取出，将其送入下一道生产线。
如图1所示图像采集装置包括了第一可调节支架(5)、第二可调节支架(6)、第三可调节支架(7)及三个可调节支架上安装的CCD摄像机，三个支架高度为30cm，每个支架之间的距离为60cm，排列在输送带上，支架上的旋钮分别用来调节摄像机的高度和角度，使摄像机对准最佳的摄影位置。在第一可调节支架(5)和第二可调节支架(6)的上端分别放置第一CCD摄像机(8)和第二CCD摄像机(9)，且摄像机镜头倾斜向下45°对准锻件的左上和右上侧面，进行第一次视觉检测；在第二可调节支架(6)和第三可调节支架(7)的下端分别放置第三CCD摄像机(10)和第四CCD摄像机(11)，且摄像机镜头倾斜向上45°对准锻件的左下和右下侧面，进行第二次视觉检测，从而获取锻件整体图像。
如图1所示图像检测装置采用西门子TM NPU模块(12)，该模块集成了人工智能芯片，能够实现神经网络的高速处理。该模块上的集成接口与CCD摄像机相连接获取锻件的图像数据，而模块本身与PLC控制系统之间是无缝连接，在处理完图像数据后，PLC控制系统直接完成整个锻件后处理生产线控制任务。
如图2所示为整个缺陷检测装置的工作流程，图3为卷积神经网络的模型框架，图像分析处理工作的流程具体步骤如下：
步骤一、图像在采集过程中由于环境因素，会引入干扰，采用中值滤波对锻件灰度图像去噪；
步骤二、灰度图像阈值处理，对中值滤波后的锻件灰度图像进行自适应阈值分割，获得自适应二值化的锻件灰度图像；
步骤三、采用Canny检测算法对自适应阈值分割后的锻件灰度图像进行边缘检测；
步骤四、再对边缘提取后的二值化图像进行形态学操作，包括开操作、闭操作、膨胀、腐蚀、梯度；
步骤五、对分割后图像进行特征提取，包括几何特征、灰度特征、投影特征；
步骤六、分类识别，根据主成分分析后的特征样本数据，基于卷积神经网络，对图像进行分类。首先将图像80×80像素输入进卷积神经网络模型中，然后将目标图像输入到卷积层，用16个大小为5×5像素核与图像的卷积得到新的80×80×16图像矩阵；然后再输入到池化层，压缩图像尺寸，得到40×40×16图像矩阵；接着再进行一次卷积池化处理，进一步缩小图像矩阵，得到20×20×36图像矩阵；再输入到扁平层，将图像矩阵转化为一维向量，结果为14400；再将一维向量输入到全连接层，对数据进行压缩，数据大小转化为4，使数据线性可分；最后采用Softmax归一化处理式：
式中：F为每种类别的概率；Δμ为压缩后输出的数据；y为标签类别；μ＝1，2，3，4。
综上，本发明的一种小型锻件后处理生产线产品缺陷检测装置及检测方法，检测装置包括输送链板、支架、机械手、CCD摄像机和TM NPU模块；输送链板上方安装有支架和上料机械手，支架中放置CCD摄像机；输送链板末端安装下料机械手；待检测的小型锻件放置在输送链板上；CCD摄像机和TM NPU模块上的集成接口相连接。TM NPU模块对CCD摄像机采集的原始锻件图像采用中值滤波、自适应阈值分割和边缘提取，然后根据主成分分析后的特征样本数据，基于卷积神经网络方法实现对锻件缺损进行分类识别，并将检测结果输出给生产线上所设计的西门子Simatic S7系列PLC控制系统来完成分拣任务。小型锻件缺陷检测子系统与锻件生产线PLC控制子系统实现了无缝连接，简化了整个锻件后处理生产线控制系统的结构，节省了成本，提高了生产效率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种小型锻件后处理生产线产品缺陷检测装置，其特征在于，包括锻件运送装置、机械手、图像采集和检测装置；
所述锻件运送装置包括了间歇式链板输送带(1)和底座(2)，底座用来放置锻件，并通过输送带(1)传送；
所述图像采集和检测装置包括图像采集装置和图像检测装置，图像采集装置采用带支架的CCD摄像机，图像检测装置采用西门子TM NPU模块(12)，模块上的集成接口与CCD摄像机相连接获取锻件图像；通过图像采集和检测装置进行多角度图像采集和处理；并通过机械手配合图像采集和检测装置进行辅助操作和分拣；
在图像采集装置采集到图像信息后，经过TM NPU模块中集成的神经计算引擎运算，实现对锻件缺陷的在线智能检测，将处理结果送入PLC控制系统，通过TM NPU模块直接与锻件生产线PLC控制系统(13)无缝连接，实现整个锻件后处理生产线控制任务。
2.根据权利要求1所述的一种小型锻件后处理生产线产品缺陷图像采集装置，其特征在于，图像采集装置沿着输送带(1)方向依次包括第一可调节支架(5)、第二可调节支架(6)、第三可调节支架(7)及三个可调节支架上安装的多个CCD摄像机；第一可调节支架(5)上端安装第一CCD摄像机(8)，朝向第二可调节支架(6)一侧向下一定角度拍摄；第二可调节支架(6)上端和下端分别安装第二CCD摄像机(9)、第三CCD摄像机(10)，其中上端的第二CCD摄像机(9)朝向第一可调节支架(5)一侧向下一定角度拍摄，下端的第三CCD摄像机(10)朝向第三可调节支架(7)一侧向上一定角度拍摄；第三可调节支架(7)下端安装第四CCD摄像机(11)，朝向第二可调节支架(6)一侧向上一定角度设置；专门设计的三个可调节支架通过旋钮的松紧，进行CCD摄像机高度调节和角度调节。
3.根据权利要求2所述的一种小型锻件后处理生产线产品缺陷图像采集装置，其特征在于，第三可调节支架(7)左右两侧分别设置有机械手，机械手包括左侧的上料机械手(3)和右侧的下料机械手(4)，上料机械手(3)用于抓取锻件并提升工位，下料机械手(4)用于对锻件进行测厚、翻面，并完成分拣工作。
4.一种小型锻件后处理生产线产品缺陷图像采集方法，其特征在于，包括如下步骤：
锻件(14)经过前一条生产线处理，由搬运机械夹取放在锻件运送装置的底座上，每间隔几秒的时间将一组放置到输送带(1)起始处，管接头方向垂直于输送带前进方向，可实现输送过程中锻件等间距排列在输送带上，并且随输送带以15cm/s的速度向前运送进行图像采集；
图像采集装置图像采集装置包括第一可调节支架(5)、第二可调节支架(6)、第三可调节支架(7)及三个可调节支架上安装的CCD摄像机，专门设计的三个支架可通过旋钮的松紧，进行高度调节和摄像机角度调节，可调节支架之间间隔的距离为60cm，第一可调节支架(5)与输送带起始位置保持一定距离，当锻件到达第一可调节支架(5)和第二可调节支架(6)之间中点位置，输送带停止作业，停顿一定时间，第一CCD摄像机(8)和第二CCD摄像机(9)分别安装在两个支架的上端距输送带30cm位置，摄像机镜头倾斜向下45°对准锻件的左上和右上的侧面，进行第一次视觉检测，拍摄获取锻件左上和右上的图像；
完成后，输送带恢复传送作业，锻件继续以15cm/s的速度向前移动，4s后前进60cm，到达第二可调节支架(6)和第三可调节支架(7)之间中点位置，输送带停止作业。该中点位置的上料机械手(3)，初始状态停在最底部，实现锻件工位提升至与支架顶部相同高度的30cm处，第二可调节支架(6)和第三可调节支架(7)下端分别安装第三CCD摄像机(10)和第四CCD摄像机(11)，摄像机镜头倾斜向上45°对准锻件的左下和右下的侧面，进行第二次视觉检测，拍摄获取锻件左下和右下的图像。同时，下一个锻件也刚好传送至第一可调节支架(5)和第二可调节支架(6)之间中点处，保证图像采集和工件传输的连续性；
当上料机械手(3)放下锻件后，停在最底部等待下一个锻件到来，输送带继续工作；每次间隔9s的时间里，工件会经过包括第一次视觉检测、第二次视觉检测和上料机械手上料下料三个任务，从而实现对锻件整体全方位的图像采集；在装置末处设置下料机械手(4)，完成第二次视觉检测工作后，锻件继续前进60cm，到达传送带末端，下料机械手会对小型锻件进行分拣工作，将合格的锻件取出，送入下一个生产线，而不合格的锻件会沿着输送带滑出落到收集箱中；通过TM NPU模块直接与锻件生产线PLC控制系统(13)无缝连接，进行锻件缺陷检测的数据分析处理，实现整个锻件后处理生产线控制任务。
5.根据权利要求4所述的一种小型锻件后处理生产线产品缺陷图像检测方法，其特征在于，锻件缺陷检测的数据分析处理包括对锻件表面裂纹、凹坑、折叠的处理；对锻件表面图像进行中值滤波、阈值分割和边缘提取后，将图像80×80像素输入进卷积神经网络模型中，然后将目标图像输入到卷积层，用16个大小为5×5像素核与图像的卷积得到新的80×80×16图像矩阵；然后再输入到池化层，压缩图像尺寸，得到40×40×16图像矩阵；接着再进行一次卷积池化处理，进一步缩小图像矩阵，得到20×20×36图像矩阵；再输入到扁平层，将图像矩阵转化为一维向量，结果为14400；将一维向量输入到全连层对数据进行压缩，数据大小转化为4；最终采取Softmax归一化函数，判断缺陷类别。Softmax归一化处理式为其中，Δμ为全连层输出的数据；y为类别；μ＝1，2，3，4。
CN201910669230.XA 2019-07-24 2019-07-24 一种小型锻件后处理生产线产品缺陷检测装置及检测方法 Pending CN110514668A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910669230.XA CN110514668A (zh) 2019-07-24 2019-07-24 一种小型锻件后处理生产线产品缺陷检测装置及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910669230.XA CN110514668A (zh) 2019-07-24 2019-07-24 一种小型锻件后处理生产线产品缺陷检测装置及检测方法

Publications (1)

Publication Number Publication Date
CN110514668A true CN110514668A (zh) 2019-11-29

Family

ID=68622986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910669230.XA Pending CN110514668A (zh) 2019-07-24 2019-07-24 一种小型锻件后处理生产线产品缺陷检测装置及检测方法

Country Status (1)

Country Link
CN (1) CN110514668A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112697814A (zh) * 2020-12-15 2021-04-23 电子科技大学 一种基于机器视觉的线缆表面缺陷检测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106053482A (zh) * 2016-06-27 2016-10-26 宾兴 一种产品gap及step自动检测生产线及其检测工艺
CN106770331A (zh) * 2017-02-10 2017-05-31 南京航空航天大学 一种基于机器视觉的工件缺陷检测系统
CN106872478A (zh) * 2015-12-11 2017-06-20 重庆市涪陵区雄翔纸制品有限公司 一种高效瓦楞纸印刷质量检测装置
CN109115785A (zh) * 2018-08-08 2019-01-01 长沙理工大学 一种铸件打磨质量检测方法、装置及其使用方法
CN109499908A (zh) * 2018-11-10 2019-03-22 东莞理工学院 一种用于机械零件的视觉检测系统
CN109975310A (zh) * 2019-03-20 2019-07-05 昆山惠众机电有限公司 一种管接头锻件外观检测及关键尺寸测量的自动化线

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106872478A (zh) * 2015-12-11 2017-06-20 重庆市涪陵区雄翔纸制品有限公司 一种高效瓦楞纸印刷质量检测装置
CN106053482A (zh) * 2016-06-27 2016-10-26 宾兴 一种产品gap及step自动检测生产线及其检测工艺
CN106770331A (zh) * 2017-02-10 2017-05-31 南京航空航天大学 一种基于机器视觉的工件缺陷检测系统
CN109115785A (zh) * 2018-08-08 2019-01-01 长沙理工大学 一种铸件打磨质量检测方法、装置及其使用方法
CN109499908A (zh) * 2018-11-10 2019-03-22 东莞理工学院 一种用于机械零件的视觉检测系统
CN109975310A (zh) * 2019-03-20 2019-07-05 昆山惠众机电有限公司 一种管接头锻件外观检测及关键尺寸测量的自动化线

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱建芸: "西门子发布针对Simatic控制系统的人工智能模块", 《轻工机械》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112697814A (zh) * 2020-12-15 2021-04-23 电子科技大学 一种基于机器视觉的线缆表面缺陷检测系统及方法
CN112697814B (zh) * 2020-12-15 2022-05-17 电子科技大学 一种基于机器视觉的线缆表面缺陷检测系统及方法

Similar Documents

Publication Publication Date Title
CN110827256B (zh) 透明构件缺陷的光学和热红外多级成像检测方法及装置
CN216622191U (zh) 一种基于机器视觉的锂电池外观缺陷检测系统
CN104483320B (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN202974886U (zh) 一种机器视觉罐身卷封缺陷检测系统
CN109030504B (zh) 基于虚实成像相结合的全景马铃薯缺陷检测装置及方法
CN106824816A (zh) 一种基于机器视觉的pe瓶检测与分拣方法
CN113670923B (zh) 一种笔记本电脑外壳缺陷的全方位高精度检测装置与方法
CN215449031U (zh) 一种软包电池表面缺陷检测设备
CN110044921A (zh) 锂电池外观缺陷检测系统和方法
CN102879404B (zh) 工业结构化场景中医用胶囊缺陷自动检测的系统
CN111992519A (zh) 一种可编程数字化机器视觉检测平台及检测系统
CN208155258U (zh) 一种手机外壳在线尺寸测量与表面缺陷检测系统
CN113894055A (zh) 基于机器视觉的五金件表面缺陷检测分类系统及方法
CN208092786U (zh) 一种以深度卷积神经网络为基础的零件分拣系统
WO2023134286A1 (zh) 一种阴极铜在线质量自动检测分类方法
CN115971074A (zh) 一种液晶显示屏缺陷检测模型、分拣生产线及方法
CN110514668A (zh) 一种小型锻件后处理生产线产品缺陷检测装置及检测方法
CN112461854A (zh) 一种智能优化盖板终检aoi检测的方法及装置
CN105973903B (zh) 一种口服液瓶盖检测方法
CN106645174A (zh) 通机发动机外观缺陷自动化在线视觉检测系统
CN113670934B (zh) 一种笔记本电脑外壳缺陷的全方位快速检测装置与方法
CN214504438U (zh) 一种无色差立体字符图像采集系统
CN216955764U (zh) 一种抛光砖瑕疵识别装置
CN112819824B (zh) 视觉检测系统的神经网络、及包含它的检测系统和方法
CN115400959A (zh) 具有翻转功能的机器视觉特定塑料件缺陷检测及分拣系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191129