CN112893178B - 一种笔芯质量检测系统 - Google Patents

Abstract

本发明公开了一种笔芯质量检测系统，包括：笔芯传送模块，包含编码器，所述笔芯传送模块用于载运待检测笔芯且通过所述编码器生成与所述待检测笔芯的顺序对应的编码值；笔芯侦测模块，用于在侦测到所述笔芯传送模块载运所述待检测笔芯经过预定位置时，发出提示信号；图像采集模块，用于在收到所述提示信号时，记录所述编码器当前生成的编码值以及采集所述待检测笔芯的图像；图像分析模块，用于根据所述图像采集模块采集的图像计算所述待检测笔芯的情况，并据以判断所述待检测笔芯是否合格；笔芯筛选模块，用于筛选出检测合格的笔芯以及剔除检测不合格的笔芯。本公开可以一次检测多支笔芯，提升检测效率以及准确性。

Description

一种笔芯质量检测系统

技术领域

本发明涉及笔芯质量检测领域，特别涉及一种透明笔芯质量检测系统。

背景技术

国内主流的制笔厂，年产笔芯在十亿支以上，尽管笔芯内灌注油墨和尾油的工艺已经十分发达，但是总有2％左右的笔芯油墨和尾塞油灌注量未达到要求，而这些不合格产品将直接影响到笔芯的使用寿命以及是否漏墨。如何将这些不良品剔除，目前采用的方法主要是依靠熟练的技术工人，将笔芯放入标有固定刻度的模具中，采用目测的方式对笔芯尾塞油长度、油墨长度、笔芯总长及笔头是否污染进行检测，将不合格笔芯挑选出来。这一人工目测的方式无疑极易引起视觉疲劳，导致判断不准确。

机器视觉是用机器人代替人眼来做测量和判断，通过图像摄取装置将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像系统对这些信号进行各种运算来抽取目标的特征，进而判断材料的质量好坏。但是，传统机器视觉相对较慢，准确度不高，且维护费用昂贵。随着工业4.0的快速转型，传统机器视觉系统不能处理的问题越来越多，这个时候，基于深度学习而产生的工业缺陷检测系统出现了，它不仅能够区分视觉相似部分的变化和偏差，还能够区分产品的功能缺陷和外部缺陷(轻微)，很好地解决传统机器视觉系统的缺点。

因此，为了提高笔芯的检测效率和准确率，需要开发一种新型高适应性的笔芯质量检测系统。

发明内容

本发明目的是为了提高笔芯的自动化检测的效率和准确率，提供一种基于深度学习的透明笔芯质量在线检测系统。

为解决上述技术问题，本发明采用下述技术方案：

一种笔芯质量检测系统，包括：笔芯传送模块，包括编码器，所述笔芯传送模块用于载运待检测笔芯且通过所述编码器并生成与所述待检测笔芯的顺序对应的编码值；笔芯侦测模块，用于在侦测到所述笔芯传送模块载运所述待检测笔芯经过预定位置时，发出提示信号；图像采集模块，用于在收到所述提示信号时，记录所述编码器当前生成的编码值以及采集所述待检测笔芯的图像；图像分析模块，用于根据所述图像采集模块采集的图像计算所述待检测笔芯情况并据以判断所述待检测笔芯是否合格；笔芯筛选模块，用于筛选出检测合格的笔芯以及剔除检测不合格的笔芯。

进一步地，所述笔芯侦测模块包括：光电传感器，设置在所述预定位置，用于感应所述笔芯传送模块载运的所述待检测笔芯经过所述预定位置时发出所述提示信号。

进一步地，所述图像采集模块包括：图像采集卡，用于接收所述提示信号以及在接收到所述提示信号后记录所述编码器当前生成的编码值；工业相机，设置于所述笔芯传送模块上方，用于在所述图像采集卡接收所述提示信号后采集所述待检测笔芯的图像；光源，设置于所述笔芯传送模块上方，用于在所述待检测笔芯运行到所述工业相机的视野范围内时，提供稳定强度光线照明。

进一步地，所述图像分析模块包括：图像处理单元，用于对所述图像采集模块采集的所述待检测笔芯的图像进行预处理；目标检测单元，用于根据所述待检测笔芯的预处理后的图像，采用目标检测模型获取图像中每支所述待检测笔芯的所在位置的外接矩形框坐标，并根据外接矩形框坐标获取每支所述待检测笔芯的图像；关键点检测单元，用于根据每支所述待检测笔芯的图像，采用关键点检测模型获取所述待检测笔芯关键点坐标；图像分类检测单元，用于根据所述关键点检测单元定位的笔头区域图像，采用图像分类模型进行笔头油污判别；检测判断单元，用于根据所述待检测笔芯关键点坐标，计算所述待检测笔芯油墨长度、尾塞油长度、笔芯总长，根据所述图像分类检测单元对所述待检测笔芯的笔头油污情况进行判别，并据以以上结果综合判断所述待检测笔芯是否合格。

进一步地，所述图像处理单元包括：图像剪裁单元，用于对所述图像采集模块采集的所述待检测笔芯的图像进行边缘剪裁，去除采集到的图像中的噪点，得到第一中间图像；灰度图处理单元，用于对所述第一中间图像进行灰度图处理，通过将三维的RGB图像转化一维的灰度图像，降低深度学习模型计算的算力要求，加快模型推演速度，得到第二中间图像。

进一步地，所述目标检测单元采用深度学习目标检测模型通过迁移学习获取所述第二中间图像中每支所述待检测笔芯的所在位置的外接矩形框坐标，并根据外接矩形框坐标使用图像剪裁获取每根所述待检测笔芯的图像作为第三中间图像。

进一步地，所述关键点检测单元利用深度学习关键点检测模型通过迁移学习获取所述第三中间图像中所述待检测笔芯关键点坐标，并根据所述待检测笔芯关键点坐标围成的区域获取笔头图像作为第四中间图像。

进一步地，所述图像分类检测单元利用深度学习图像分类模型通过迁移学习对所述第四中间图像进行笔头区域油污情况的二分类检测。

进一步地，所述检测判断单元包括：尺寸计算单元，用于根据所述关键点检测单元获取到的第三中间图像中的所述待检测笔芯关键点坐标计算所述待检测笔芯油墨长度、尾塞油长度、笔芯总长；比较判断单元，用于将所述待检测笔芯的各部件尺寸与预存的标准笔芯各部件外观尺寸进行比较，并根据所述图像分类检测单元对笔头区域油污情况的判定结果，综合判断所述待检测笔芯是否合格；结果记录单元，用于将合格的笔头的所述编码值存入链表中。

进一步地，所述笔芯筛选模块包括电磁阀分拣装置，当待检测笔芯为不合格产品时电磁阀分拣装置将其分拣入次品收集箱。

本公开的一种实施例中的基于深度学习的透明笔芯质量检测装置，通过引入深度学习的视觉测量方式，对透明笔芯的油墨、尾塞油注入量、笔芯总长以及笔头油污污染情况进行自动高效地检测可以及时剔除不良品。一方面，相比于人工检测方式，具有操作简便、效率高、准确度高等优点；另一方面，此检测装置可以兼容多款型号，不同长度的透明笔芯检测，相比较传统的视觉检测模板匹配算法需针对不同笔芯设置不同模板的缺陷，兼容性更强大，后期维护成本低等优点。

附图说明

本发明的以上技术内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的技术方案的示例。在附图中，相同的附图标记代表相同或类似的元素。

图1是本发明一实施例一种笔芯质量检测系统的主视图；

图2是本发明一实施例一种笔芯质量检测系统的模块方框图；

图3是本发明一实施例一种笔芯质量检测系统的算法流程图；

图4是本发明一实施例一种笔芯质量检测系统中各步骤的图像处理示例，其中，

点①、②为笔芯油管末端关键点，C1为点①、②的中点；

点③、④为尾塞油末端关键点，C2为点③、④的中点；

点⑤、⑥为油墨末端关键点，C3为点⑤、⑥的中点；

点⑦、⑧为笔头末端关键点，点⑨为笔头顶端关键点。

其中，附图标记说明如下：

1 工业相机

2 远心镜头

3 条形光源

4 待检测笔芯

5 相机支架

6 条形光源支架

具体实施方式

以下在具体实施方式中叙述本发明的详细特征以及优点，其内容足以使本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了能够高效、自动地筛选出油墨、尾塞油注入量，笔芯总长不合格以及笔头污染的的笔芯，解决传统机器视觉检测技术方案依赖模板匹配方法兼容性低、操作难度大、维护成本高以及人工检测耗时较长的问题；解决由于人为不可控因素导致的精确度低、效率低的问题，本示例实施方式中提供一种基于深度学习的透明笔芯质量在线检测系统，利用深度学习图像处理技术通过多个模型快速而准确获得多支笔芯的油墨、尾塞油注入量，笔芯总长以及笔头是否污染等信息，不仅可以使检测人员从繁重的重复劳动中解脱出来，还可以提高笔芯质量检测的准确度和效率。

参考图1至图4中所示，本示例实施方式中的基于深度学习的透明笔芯质量检测装置可以包括笔芯传送模块、笔芯侦测模块、图像采集模块、图像分析模块以及笔芯筛选模块；当然，除此之外还可以包括现有技术中的电源模块、光源模块以及显示模块等其他部分，本示例实施方式中对此不做特殊限定。其中：

笔芯传送模块可以包括编码器；所述笔芯传送模块用于载运待检测笔芯且通过所述编码器生成与所述待检测笔芯的顺序对应的编码值。

本示例实施方式中，所述笔芯传送模块将待检测笔芯载运至指定位置，所述笔芯传送模块例如可以为传送链条等输运机构。编码器(encoder)是将信号或数据进行编制、转换为可用以通讯、传输和存储的信号形式的设备。本示例实施方式中，利用编码器生成与所述待检测笔芯的顺序对应的编码值，从而可以以该编码值作为后续识别该待检测笔芯的依据。将待检测笔芯的编码值作为识别该待检测笔芯的唯一依据，避免了在高速检测下的漏检和误筛选。

笔芯侦测模块可以用于在侦测到所述笔芯传送模块载运所述待检测笔芯经过预定位置时，发出提示信号。

本示例实施方式中，笔芯侦测模块例如可以包括若干个光电传感器，所述若干个光电传感器可以设置在传送链条周边的预定位置，当所述笔芯传送模块载运所述待检测笔芯经过所述预定位置时，光电传感器可以根据光信号的变化而发出所述提示信号。

图像采集模块可以用于在收到所述提示信号时，记录所述编码器当前生成的编码值以及采集所述待检测笔芯的图像。

本示例实施方式中，所述图像采集模块可以包括图像采集卡以及工业相机1。其中，图像采集卡是可以获取数字化图像信息，并将其存储和播放出来的硬件设备；图像采集卡可以用于接收所述提示信号以及在接收到所述提示信号后记录所述编码器当前生成的编码值。工业相机1具有高图像稳定性、高传输能力和高抗干扰能力等，其例如可以为基于CCD或CMOS芯片的相机。工业相机1通过相机支架5固定于待检测笔芯4上方。在所述图像采集卡接收所述提示信号后，可以控制所述工业相机采集所述待检测笔芯的图像。

除此之外，所述图像采集模块还可以包括镜头、光源、光源控制器、显示器以及控制终端等组件。其中，所述镜头例如可以采用远心镜头2。所述光源例如可以为一个或多个条形光源3，优选双条型光源，分别对笔芯两端进行照明，用于为工业相机对待检测笔芯4进行图像拍摄时提供稳定的光照。每个条形光源3可以通过条形光源支架6固定于待检测笔芯4上方。通过所述图像采集模块可以拍摄出清晰的图像，保证拍摄的物体的真实度。如图4中待检测笔芯原图所示，本示例实施方式中，所述图像采集模块可以采集待检测笔芯的俯视图像。但需要说明的是，在本公开的其他示例性实施例中，所述图像采集模块也可以采集待检测笔芯的其他视图，本示例实施方式中对此不做特殊限定。

图像分析模块可以用于根据所述图像采集模块采集的图像计算所述待检测笔芯的油墨、尾塞油注入量以及笔头油污污染情况并据以判断所述待检测笔芯是否合格

参考图2以及图3中所示，本示例实施方式中，所述图像分析模块可以包括图像处理单元、目标检测单元、关键点检测单元、图像分类检测单元、检测判断单元等。其中：

图像处理单元可以用于对所述图像采集模块采集的所述待检测笔芯的图像进行剪裁去噪处理获取第一中间图像，并对所述待检测笔芯剪裁后的图像进行灰度处理获取第二中间图像。

目标检测单元可以用于根据第二中间图像采用深度学习目标检测模型定位出图像中每支所述待检测笔芯的最小外接矩形框坐标，并根据坐标获取每支待检测笔芯的图像作为第三中间图像。

关键点检测单元可以用于根据第三中间图像采用深度学习关键点检测模型获取笔芯对应的尾端、尾塞油、油墨、笔头等部件的关键点坐标，并根据笔头关键点围成的区域获取笔头图像作为第四中间图像。

图像分类检测单元可以用于根据第四中间图像采用深度学习图像分类模型进行笔头油污污染情况判断。

检测判断单元可以用于根据关键点检测单元定位的所述待检测笔芯各部件关键点坐标，计算笔芯油墨长度、尾塞油长度、笔芯总长，根据图像分类检测单元对所述待检测笔芯的笔头油污情况进行判别，并据以以上结果综合判断所述待检测笔芯是否合格。

因此，通过上述图像分析模块即可判断所述待检测笔芯是否合格。下面对上述图像分析模块的各部分进行更详细的说明。

本示例实施方式中，所述图像处理单元可以包括图像剪裁单元、灰度图处理单元。其中：

所述图像剪裁单元可以用于对所述图像采集模块采集的所述待检测笔芯的图像进行边缘剪裁处理得到第一中间图像。工业相机所采集的图像受到取景范围的影响难免会有一些无用噪声的干扰，本例中的噪声指的是图像采集模块采集的所述待检测笔芯的图像左右两侧的无效笔芯图像，通过上述边缘剪裁处理可以消除或减少噪声。本示例实施方式中，所述图像剪裁单元例如可以采用Python标准库OpenCV的cv2.imread(image)方法读取所述待检测笔芯图像，然后采用矩阵切片法对图像进行边缘剪裁，得到第一中间图像。

所述灰度图处理单元，采用Python标准库OpenCV的cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)将三维的RGB图像转化为一维灰度图像，降低深度学习模型计算的算力要求，加快模型推演速度，得到第二中间图像。

此外，所述图像处理单元还可以包括其他部分以及进行其他处理步骤。例如，还可以通过随机变换图像对比度，随机变化图像亮度，随机变换图像大小等，来增加模型拟合效果，因此本示例性实施例中并不以此为限。

本示例实施方式中，所述目标检测单元，通过所述图像采集模块采集大量的待检测笔芯图像，经过所述图像处理单元之后获得第二中间图像数据集，通过将第二中间图像中的每支笔芯最小外接矩形框进行图像标注获得带标注的图像数据集，然后基于PaddlePaddle深度学习框架，采用目标检测模型YOLO_V3通过迁移学习，使得目标检测模型可以准确、快速标注出新的第二中间图像中每支待检测笔芯的所在位置的外接矩形框坐标，并根据外接矩形框坐标使用图像剪裁获取每根待检测笔芯的图像作为第三中间图像。YOLO_V3是一种单阶段检测器，与两阶段的检测方法不同，单阶段目标检测并不进行区域推荐，而是直接从特征图回归出目标的边界框和分类概率。该检测器与达到同样精度的传统目标检测方法相比，推断速度能达到接近两倍。

此外，所述目标检测单元还可以采用其他目标检测模型作为基础模型进行迁移学习，例如，SSD目标检测模型，因此本示例性实施例中并不以此为限。

本示例实施方式中，所述关键点检测单元，通过采集大量的所述第三中间图像，并对所述第三中间图像中笔芯的各部件关键点进行标注从而获得带标注的笔芯关键点检测图像数据集，然后基于PaddlePaddle深度学习框架，采用人体骨骼关键点检测模型PoseEstimation通过迁移学习应用在此项目，获取所述第三中间图像中油管、尾塞油、油墨、笔头等部件关键点坐标：点①、②为笔芯油管末端关键点，C1为点①、②的中点；点③、④为尾塞油末端关键点，C2为点③、④的中点；点⑤、⑥为油墨末端关键点，C3为点⑤、⑥的中点；点⑦、⑧为笔头末端关键点，点⑨为笔头顶端关键点并根据笔头关键点⑦⑧⑨围成的矩形区域(x₇,y₇),(x₈,y₈),(x₇,y₉),(x₈,y₉)获取笔头图像作为第四中间图像。

此外，所述关键点检测单元还可以采用其他关键点检测模型作为基础模型进行迁移学习，例如，68点人脸关键点检测模型face-landmark-localization，因此本示例性实施例中并不以此为限。

本示例实施方式中，所述图像分类检测单元，通过采集大量的所述第四中间图像，并对所述第四中间图像进行是否污染二分类标注，从而获得带标注的笔头区域图像分类数据集，然后基于PaddlePaddle深度学习框架，采用图像分类模型ShuffleNetV2通过迁移学习对所述第四中间图像进行笔头区域油污情况的二分类检测。

此外，所述图像分类检测单元还可以采用其他图像分类检测模型作为基础模型进行迁移学习，例如，ResNet50,VGG16等常用图像分类模型，因此本示例性实施例中并不以此为限。

需要说明的是，以上目标检测单元，关键点检测单元及图像分类检测单元所使用的模型都是基于PaddlePaddle深度学习框架所选择的模型，还可以采用其他深度学习框架相对应的模型，例如PyTorch、TensorFolw、Keras等，因此本示例性实施例中并不以此为限。

本示例实施方式中，所述检测判断单元包括：

尺寸计算单元，用于根据所述关键点检测单元获取到的第三中间图像中的笔芯各部件关键点坐标计算待检测笔芯油墨长度、尾塞油长度、笔芯总长；具体实施如下：

1.计算待检测笔芯油管末端中点C1,尾塞油末端中点C2，油墨末端中点C3坐标

若平面坐标系中存在点A(x_a,y_a)与点B(x_b,y_b)两点，则它们中点C坐标如以下公式1所示：

如图4中关键点检测效果图所示，根据笔芯油管末端关键点①(x₁,y₁)与②(x₂,y₂)计算笔芯油管末端中点C1坐标

根据笔芯尾塞油末端关键点③(x₃,y₃)与④(x₄,y₄)计算尾塞油末端中点C2坐标

根据笔芯油墨末端关键点⑤(x₅,y₅)与⑥(x₆,y₆)计算油墨末端中点C3坐标

2.计算待检测笔芯油墨注入量，硅油注入量，总长长度

若平面坐标系中存在点A(x_a,y_a)与点B(x_b,y_b)两点，则它们之间的绝对距离可以通过以下公式2计算：

由于笔芯内油墨注入量无法直接测量，故一般是通过计算笔芯油管末端到油墨末端的距离进行间接计算，即可以通过计算点C3与C1之间的距离

进行油墨注入量判断；通过计算点C3与C2之间的距离

进行尾塞油注入量判断；通过计算点⑨与C1之间的距离

进行笔芯总长判断；

比较判断单元，用于将所述待检测笔芯的各部件尺寸与预存的标准笔芯各部件外观尺寸进行比较，并根据所述图像分类检测单元对笔头区域油污情况的判定结果，对以上结果进行逻辑与关系判断，即有一项检测结果不合格，即判断所述待检测笔芯不合格；本示例实施方式中，所述预存的标准笔芯各部件外观尺寸可以是由操作人员在外界直接输入，也可以是通过现有技术中的方法测量后预先存储，也可以通过本示例实施方式中上述方法检测大量测量得到后取平均值预先存储。此外，在进行比较判断时，还可以结合误差允许范围判断待检测笔芯各部件长度是否合格，超出误差范围则将待检测笔芯判定为不合格。

所述结果记录单元可以用于将合格的笔芯的所述编码值存入链表中。通过将合格的待检测笔芯经过上述光电传感器时记录的编码值存入链表中，可以在后续过程中确定对应的待检测笔芯是否合格。此外，本示例实施方式中还可以在PC机终端显示不合格的待检测笔芯，并显示具体是哪一检测项目不合格，以便于后期进行统计分析。

本示例实施方式中，所述笔芯筛选模块可以用于筛选出检测合格的笔芯以及剔除检测不合格的笔芯。例如，所述笔芯筛选模块可以包括电磁阀分拣装置，当通过电磁阀分拣装置的待检测笔芯的编码值不在所述链表中时，即可判断待检测笔芯为不合格产品，此时则可以通知电磁阀分拣装置将其分拣入次品收集箱。但需要说明的是，在本公开的其他示例性实施例中，所述笔芯筛选模块也可以采用其他可行的方式实现，并不局限于本示例实施方式中所例举的实现方式。

上述基于深度学习的透明笔芯质量检测装置中的设计可以以Python为开发语言，PaddlePaddle为深度学习开发框架，结合开源视觉函数库OpenCV和GUI图形用户接口库PYQT5编写程序以实现标准化检测系统所要求的功能。整个软件界面可以包括图像显示区域、基础菜单区域、测量设定区域、检测结果显示区域等部分。该标准化检测系统不仅能够实现图像采集的实时显示功能、实现自动判别笔芯是否合格的功能，同时，还能够实现在菜单区域设置些基础参数等功能。

本示例实施方式中的基于深度学习的透明笔芯质量检测装置，通过引入深度学习的视觉测量方式，对透明笔芯的油墨、尾塞油注入量、笔芯总长以及笔头油污污染情况进行自动高效地检测可以及时剔除不良品。一方面，相比于人工检测方式，具有操作简便、效率高、准确度高等优点；另一方面，此检测装置可以兼容多款型号，不同长度的透明笔芯检测，相比较传统的视觉检测模板匹配算法需针对不同笔芯设置不同模板的缺陷，兼容性更强大，后期维护成本低等优点。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

这里基于的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。

同样，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本发明的权利要求书的范围内。

Claims (9)

1.一种笔芯质量检测系统，其特征在于，包括：

笔芯传送模块，包括编码器，所述笔芯传送模块用于载运待检测笔芯且通过所述编码器并生成与所述待检测笔芯的顺序对应的编码值；

笔芯侦测模块，用于在侦测到所述笔芯传送模块载运所述待检测笔芯经过预定位置时，发出提示信号；

图像采集模块，用于在收到所述提示信号时，记录所述编码器当前生成的编码值以及采集所述待检测笔芯的图像；

图像分析模块，用于根据所述图像采集模块采集的图像计算所述待检测笔芯情况并据以判断所述待检测笔芯是否合格；所述图像分析模块包括：

图像处理单元，用于对所述图像采集模块采集的所述待检测笔芯的图像进行预处理；

目标检测单元，用于根据所述待检测笔芯的预处理后的图像，采用目标检测模型获取图像中每支所述待检测笔芯的所在位置的外接矩形框坐标，并根据外接矩形框坐标获取每支所述待检测笔芯的图像；

关键点检测单元，用于根据每支所述待检测笔芯的图像，采用关键点检测模型获取所述待检测笔芯关键点坐标，基于PaddlePaddle深度学习框架，采用人体骨骼关键点检测模型Pose Estimation通过迁移学习获取油管、尾塞油、油墨、笔头等部件关键点坐标；

图像分类检测单元，用于根据所述关键点检测单元定位的笔头区域图像，采用图像分类模型进行笔头油污判别；

检测判断单元，用于根据所述待检测笔芯关键点坐标，计算所述待检测笔芯油墨长度、尾塞油长度、笔芯总长，根据所述图像分类检测单元对所述待检测笔芯的笔头油污情况进行判别，并据以上结果综合判断所述待检测笔芯是否合格；

笔芯筛选模块，用于筛选出检测合格的笔芯以及剔除检测不合格的笔芯。

2.根据权利要求1所述的笔芯质量检测系统，其特征在于，所述笔芯侦测模块包括：

光电传感器，设置在所述预定位置，用于感应所述笔芯传送模块载运的所述待检测笔芯经过所述预定位置时发出所述提示信号。

3.根据权利要求1所述的笔芯质量检测系统，其特征在于，所述图像采集模块包括：

图像采集卡，用于接收所述提示信号以及在接收到所述提示信号后记录所述编码器当前生成的编码值；

工业相机(1)，设置于所述笔芯传送模块上方，用于在所述图像采集卡接收所述提示信号后采集所述待检测笔芯的图像；

光源，设置于所述笔芯传送模块上方，用于在所述待检测笔芯运行到所述工业相机(1)的视野范围内时，提供稳定强度光线照明。

4.根据权利要求1所述的笔芯质量检测系统，其特征在于，所述图像处理单元包括：

图像剪裁单元，用于对所述图像采集模块采集的所述待检测笔芯的图像进行边缘剪裁，去除采集到的图像中的噪点，得到第一中间图像；

灰度图处理单元，用于对所述第一中间图像进行灰度图处理，通过将三维的RGB图像转化一维的灰度图像，降低深度学习模型计算的算力要求，加快模型推演速度，得到第二中间图像。

5.根据权利要求4所述的笔芯质量检测系统，其特征在于，所述目标检测单元采用深度学习目标检测模型通过迁移学习获取所述第二中间图像中每支所述待检测笔芯的所在位置的外接矩形框坐标，并根据外接矩形框坐标使用图像剪裁获取每根所述待检测笔芯的图像作为第三中间图像。

6.根据权利要求5所述的笔芯质量检测系统，其特征在于，所述关键点检测单元利用深度学习关键点检测模型通过迁移学习获取所述第三中间图像中所述待检测笔芯关键点坐标，并根据所述待检测笔芯关键点坐标围成的区域获取笔头图像作为第四中间图像。

7.根据权利要求6所述的笔芯质量检测系统，其特征在于，所述图像分类检测单元利用深度学习图像分类模型通过迁移学习对所述第四中间图像进行笔头区域油污情况的二分类检测。

8.根据权利要求7所述的笔芯质量检测系统，其特征在于，所述检测判断单元包括：

尺寸计算单元，用于根据所述关键点检测单元获取到的第三中间图像中的所述待检测笔芯关键点坐标计算所述待检测笔芯油墨长度、尾塞油长度、笔芯总长；

比较判断单元，用于将所述待检测笔芯的各部件尺寸与预存的标准笔芯各部件外观尺寸进行比较，并根据所述图像分类检测单元对笔头区域油污情况的判定结果，综合判断所述待检测笔芯是否合格；

结果记录单元，用于将合格的笔头的所述编码值存入链表中。

9.根据权利要求1所述的笔芯质量检测系统，其特征在于，所述笔芯筛选模块包括电磁阀分拣装置，当待检测笔芯为不合格产品时电磁阀分拣装置将其分拣入次品收集箱。

Images