CN114029237A - 一种铝型材表面缺陷实时分拣系统及方法 - Google Patents

一种铝型材表面缺陷实时分拣系统及方法 Download PDF

Info

Publication number
CN114029237A
CN114029237A CN202111315110.3A CN202111315110A CN114029237A CN 114029237 A CN114029237 A CN 114029237A CN 202111315110 A CN202111315110 A CN 202111315110A CN 114029237 A CN114029237 A CN 114029237A
Authority
CN
China
Prior art keywords
defect
mechanical arm
real
image
detection
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
CN202111315110.3A
Other languages
English (en)
Inventor
李火华
付晓刚
高爽
王志刚
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji 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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202111315110.3A priority Critical patent/CN114029237A/zh
Publication of CN114029237A publication Critical patent/CN114029237A/zh
Pending legal-status Critical Current

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
    • 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
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • 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
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种铝型材表面缺陷实时分拣系统及方法，所述系统包括传动模块、图像采集模块、图像处理模块以及机械臂运动控制模块，所述传动模块将待检产品传送至检测区域，由图像采集模块完成检测区域铝型板材图像的实时采集，并将采集到的图像传输到图像处理模块，所述图像处理模块包括缺陷检测模型，通过所述缺陷检测模型的处理，输出检测模型的检测结果给机械臂运动控制模块，机械臂运动控制模块根据所述检测结果信息选择运动路径，通过机械臂运动控制模块抓取缺陷板材并送至目标区域。本发明铝型材表面缺陷实时分拣系统及方法可提高模型的检测精度，实现铝型材质检流程自动化。

Description

一种铝型材表面缺陷实时分拣系统及方法
技术领域
本发明涉及铝型材表面缺陷检测技术领域，具体地，涉及一种铝型材表面缺陷实时分拣系统及方法。
背景技术
铝型材作为现代工业中重要的材料之一，在交通运输、建筑、工业制造等领域被广泛使用，在铝型材投入使用之前需要对铝型材的质量进行检测，在铝型材生产过程中会因为多种原因形成缺陷，不同的缺陷需要经过不同的处理流程进行再加工，防止出厂铝型材出现质量问题。
铝型材表面缺陷实时分拣主要还是以人工检测和传统机器视觉检测方式为主。其中，人工检测方法具有准确性低、实时性差、受主观因素影响较大等缺点，因而无法满足大批量生产的需求。传统的机器视觉识别需先通过检测摄像头实时采集铝型材表面图像，再通过算法分析图像。目前图像采集技术基本完善，基于机器视觉的表面缺陷检测技术取得突破式进展，基于深度学习的目标检测算法被广泛应用于缺陷检测领域。然而，深度学习网络需要采集大规模的训练样本，而应用于缺陷检测领域时，缺陷样本往往较难获取。基于视觉的缺陷检测稳定性不足，受环境光线、灰尘等影响，若没有大规模带标签训练样本，深度学习模型的泛化性不够，检测精度有待提升，并且随着网络深度的加深，模型响应速度会降低，影响检测效率。
发明内容
针对现有技术中的缺陷，本发明的目的在于提供一种节约了人力物力成本、可提高模型的检测精度实现铝型材质检流程自动化的铝型材表面缺陷实时分拣系统及方法。
为解决上述问题，本发明的技术方案为：
一种铝型材表面缺陷实时分拣系统，所述系统包括传动模块、图像采集模块、图像处理模块以及机械臂运动控制模块，所述传动模块将待检产品传送至检测区域，由图像采集模块完成检测区域铝型板材图像的实时采集，并将采集到的图像传输到图像处理模块，所述图像处理模块包括缺陷检测模型，通过所述缺陷检测模型的处理，输出检测模型的检测结果给机械臂运动控制模块，机械臂运动控制模块根据所述检测结果信息选择运动路径，通过机械臂运动控制模块抓取缺陷板材并送至目标区域。
可选地，所述传动模块包括用于传送待检产品的传送带，将传送带上待检的铝型板材，以相同的间距和速度前后依次进入系统的检测区域。
可选地，所述图像采集模块包括高清摄像头、支架以及USB传输线，所述图像采集模块将采集到的图像传送给图像处理模块中的缺陷检测模型，同时存入数据库，用于进一步优化缺陷检测模型。
可选地，所述图像处理模块包括工业计算机，将图像采集模块中的高清摄像头通过 USB传输线与工业计算机相连接，然后通过支架固定在传送带预设的检测区域的正上方。
可选地，所述图像处理模块中的缺陷检测模型包括目标检测模型和语义分割模型，所述目标检测模型可以检测出缺陷目标的类别和位置信息，所述语义分割模型可以进行缺陷分割，并进行面积提取，输出缺陷分布面积的大小，根据缺陷分布面积的大小，做进一步更精准的分级。
进一步地，本发明还提供一种铝型材表面缺陷实时分拣方法，所述方法包括以下步骤：
采集铝型材表面缺陷原始图像，并将图片输送给图像处理模块；
通过图像处理模块中的缺陷检测模型处理，并输出检测结果给机械臂运动控制模块；
机械臂运动控制模块根据所述检测结果信息选择路径，抓取板材后送到分类区，机械臂恢复到初始状态，等待下一次动作。
可选地，所述采集铝型材表面缺陷原始图像，并将图片输送给图像处理模块的步骤具体包括：将传送带上的铝型板材，以相同的间距、速度前后依次进入系统的检测区域，通过计算机程序控制高清摄像头，以相同的时间间隔连续拍照，并将图片输送给图像处理模块，存入工业计算机，供缺陷检测模型调用。
可选地，所述通过图像处理模块中的缺陷检测模型处理，并输出检测结果给机械臂运动控制模块的步骤具体包括：由工业计算机中的缺陷检测模型处理并输出检测结果，由工业计算机以TCP/IP通讯协议将检测结果信息发送给机械臂控制程序中的通讯节点。
可选地，所述机械臂运动控制模块根据所述检测结果信息选择路径，抓取板材后送到分类区，机械臂恢复到初始状态，等待下一次动作的步骤具体包括：控制程序根据所述检测结果信息选择路径，并根据缺陷检测模型的处理时间和机械臂动作时延预设抓取位置，抓取板材后送到分类区供质检人员进一步处理，机械臂恢复到初始状态，等待下一次动作。
与现有技术相比，本发明为解决小样本问题，在实验数据集的制作阶段采用了数据增强技术，对原始图像数据进行亮度调整、缩放、翻转等操作，可将原始数据集扩充数倍；另外在模型训练阶段，引入预训练网络，即保留预训练模型大部分的权重参数，如此便可实现仅使用小规模的缺陷样本，就训练出泛化性良好的深度学习网络模型，说明了数据增强与预训练网络的有效性，为解决缺陷检测任务中的小样本训练问题提出了解决方案，本发明不需要昂贵的辅助设备，仅仅采用摄像头、工业计算机等常规设备和软件设计即可实现铝型材表面缺陷检测，不仅提高了检测效率，而且大大缩减了人力物力成本。
进一步地，本发明在设计网络模型时，针对铝型材缺陷的具体特点，实时分拣系统中不仅包含目标检测模型，还包含语义分割模型，因此不仅可以实现不同类型缺陷的分拣，还可以根据缺陷分布面积的大小，做进一步更精准的分级。
另外，本发明将视觉检测模型和机械臂相结合，利用机械臂实现了实时分拣的操作，实现铝型材质检流程的自动化。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的铝型材表面缺陷实时分拣系统的结构示意图；
图2为本发明实施例提供的改进型deeplabv3+语义分割算法框架图；
图3为本发明实施例提供的铝型材表面缺陷实时分拣方法的流程框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
具体地，图1为本发明实施例提供的一种铝型材表面缺陷实时分拣系统的结构示意图，如图1所示，所述系统包括传动模块1、图像采集模块2、图像处理模块3以及机械臂运动控制模块4。在本实施例中，所述传动模块1将待检产品传送至检测区域，由图像采集模块2完成检测区域铝型板材图像的实时采集，并将采集到的图像传输到部署有缺陷检测模型的图像处理模块3，该模块输出检测模型的检测结果，所述检测结果包括缺陷目标检测结果，缺陷区域语义分割结果等，然后通过通讯手段将缺陷信息传输到机械臂运动控制模块4，机械臂控制程序根据通讯节点传来的缺陷信息完成运动路径的选择，最后通过机械臂运动控制模块4的末端工具，例如真空吸盘等，抓取缺陷板材并送至目标区域等待质检人员进一步处理，如此可实现铝型材不同类型缺陷的实时分拣和自动分级，全程无需工作人员参与，提升质检效率的同时，也节省了人力成本。
所述传动模块1包括用于传送待检产品的传送带，将传送带上待检的铝型板材，以相同的间距和速度前后依次进入系统的检测区域。
所述图像采集模块2的硬件组成包括高清摄像头、支架以及USB传输线。所述图像采集模块2的主要作用是完成图像的实时采集，将采集到的图像一方面传送给图像处理模块3中的缺陷检测模型，另一方面存入数据库，质检人员可整理出更大规模的缺陷数据集，用于进一步优化所述缺陷检测模型。
所述图像处理模块3实际上就是一台适用于工厂环境的高性能的工业计算机。将图像采集模块2中的高清摄像头通过USB传输线与工业计算机相连接，然后通过支架固定在传送带预设的检测区域的正上方，调整为固定的高度，该高度根据板材大小来调整，以拍摄图像清晰为标准。
所述图像处理模块3中部署的缺陷检测模型包括目标检测模型和语义分割模型，目标检测模型可以检测出缺陷目标的类别和位置信息，这个信息可以用于分拣，但是针对凸粉、漏底等缺陷，要实现更精准的分级，不仅需要类别信息，还需要准确输出缺陷分布面积的大小，所述语义分割模型可以进行缺陷分割，并进行面积提取，准确输出缺陷分布面积的大小，根据缺陷分布面积的大小，做进一步更精准的分级。
所述目标检测模型训练过程为：原始铝型材缺陷数据包含擦花、漏底、凸粉、脏点等缺陷样本各100张，这对于训练深度网络模型来说是不够的，因此通过数据增强技术进行数据扩充，对原始图像数据进行亮度调整、缩放、翻转等操作，可将原始数据集扩充数倍，制成实验数据集，用于模型训练。从当前目标检测模型的使用情况来看，最新的yolov5模型性能优越，使用广泛，因此本发明采用yolov5s网络。模型训练时，主要参数配置如下：
硬件配置：CPU i9-10900K，GPU RTX3080
环境配置：Win10，python3.6，PyTorch＝1.6.0
训练参数：img_size＝640，epoch＝300，batch_size＝8
所述语义分割模型训练过程为：首先，从原始数据集中挑选了凸粉和漏底两种缺陷的板材图像用于构建分割模型的试验数据集，这两种缺陷的特点在于，前景和背景对比度低，缺陷区域分布面积较大。在实际生产过程中，缺陷面积的大小也是板材的分级依据。因此本发明专门添加了语义分割模型，用于两种缺陷板材更进一步的分级，本发明选用的语义分割模型为deeplabv3+，针对缺陷低对比度的特点，分割时更加强调浅层边缘特征，如图2所示，图2为本发明实施例提供的改进型deeplabv3+语义分割算法框架图，本发明对经典模型进行了改良，通过引入分支网络提取图像浅层特征，并同经典网络输出特征相融合，提升模型的检测性能。模型训练时，环境搭建和前述目标检测模型相同，主要训练参数为：epoch＝50，batch_size＝4，backbone＝resnet50。模型训练后， loss有效收敛，accuracy指标逐渐趋近于1，模型可以较精准分割测试集中的图像，对于图像的边缘描述的较为细致，该语义分割模型的分割性能良好。
所述机械臂运动控制模块4包括机械臂控制柜、机械臂、末端工具以及外接控制电路。所述机械臂运动控制模块4是实现自动分拣的关键环节，抓取的速度和精度都会影响检测系统的检测效率，本实施例中选用TM5-900协作机器人，它具有高精度、高速度、高自由度的特点，能很好的满足分拣系统的要求。将工业计算机通过网线连接至机械臂运动控制模块4的机械臂控制柜的通讯接口，机械臂控制柜的数字信号输出接口通过外接控制电路连接末端工具。
对于机械臂的控制过程具体为：首先，机械臂处于某一初始状态，当负责接收缺陷信息的网络节点接受到来自图像处理模块3的缺陷信息，例如擦花缺陷对应数字1，控制程序通过判断语句选择该缺陷对应的运动路径后，机械臂根据运动路径运动并控制末端工具动作，抓取到板材后将其送达擦花缺陷对应的目标区域，然后松开末端工具，放下板材，机械臂重新回到初始状态。
图3为本发明实施例提供的一种铝型材表面缺陷实时分拣方法的流程框图，如图3所示，所述方法包括以下步骤：
S1：采集铝型材表面缺陷原始图像，并将图片输送给图像处理模块；
具体地，首先，通过改造生产线，使传送带上的铝型板材，以相同的间距Δs、速度v、前后依次进入系统的检测区域，当铝型板材首先进入拍摄区域，通过计算机程序控制高清摄像头，以相同的时间间隔Δt≈Δs/v连续拍照，并将图片输送给图像处理模块，存入工业计算机，供检测模型调用。
S2：通过图像处理模块中的缺陷检测模型处理，并输出检测结果给机械臂运动控制模块；
具体地，由工业计算机中的检测模型处理并输出检测结果，为便于传输，将检测结果等效为更简单的字符串信息，例如五种缺陷分别对应数字1-5，不同的缺陷等级对应字母A-C，由工业计算机以TCP/IP通讯协议将检测结果信息发送给机械臂控制程序中的通讯节点。
S3：机械臂运动控制模块根据所述检测结果信息选择路径，抓取板材后送到分类区，机械臂恢复到初始状态，等待下一次动作。
具体地，机械臂运动控制程序根据所述检测结果信息选择路径，并根据检测模型的处理时间(Δt1)和机械臂动作时延(Δt2)预设抓取位置，抓取板材后送到分类区，供质检人员进一步处理最后，机械臂恢复到初始状态，等待下一次动作。
在一个可选的实施例中，为防止连续出现缺陷板材，导致漏检现象，可在线上安排多台机械臂配合工作。
与现有技术相比，本发明为解决小样本问题，在实验数据集的制作阶段采用了数据增强技术，对原始图像数据进行亮度调整、缩放、翻转等操作，可将原始数据集扩充数倍；另外在模型训练阶段，引入预训练网络，即保留预训练模型大部分的权重参数，如此便可实现仅使用小规模的缺陷样本，就训练出泛化性良好的深度学习网络模型，说明了数据增强与预训练网络的有效性，为解决缺陷检测任务中的小样本训练问题提出了解决方案，本发明不需要昂贵的辅助设备，仅仅采用摄像头、工业计算机等常规设备和软件设计即可实现铝型材表面缺陷检测，不仅提高了检测效率，而且大大缩减了人力物力成本。
进一步地，本发明在设计网络模型时，针对铝型材缺陷的具体特点，实时分拣系统中不仅包含目标检测模型，还包含语义分割模型，因此不仅可以实现不同类型缺陷的分拣，还可以根据缺陷分布面积的大小，做进一步更精准的分级。
另外，本发明将视觉检测模型和机械臂相结合，利用机械臂实现了实时分拣的操作，实现铝型材质检流程的自动化。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种铝型材表面缺陷实时分拣系统，其特征在于，所述系统包括：传动模块、图像采集模块、图像处理模块以及机械臂运动控制模块，所述传动模块将待检产品传送至检测区域，由图像采集模块完成检测区域铝型板材图像的实时采集，并将采集到的图像传输到图像处理模块，所述图像处理模块包括缺陷检测模型，通过所述缺陷检测模型的处理，输出检测模型的检测结果给机械臂运动控制模块，机械臂运动控制模块根据所述检测结果信息选择运动路径，通过机械臂运动控制模块抓取缺陷板材并送至目标区域。
2.根据权利要求1所述的铝型材表面缺陷实时分拣系统，其特征在于，所述传动模块包括用于传送待检产品的传送带，将传送带上待检的铝型板材，以相同的间距和速度前后依次进入系统的检测区域。
3.根据权利要求1所述的铝型材表面缺陷实时分拣系统，其特征在于，所述图像采集模块包括高清摄像头、支架以及USB传输线，所述图像采集模块将采集到的图像传送给图像处理模块中的缺陷检测模型，同时存入数据库，用于进一步优化缺陷检测模型。
4.根据权利要求3所述的铝型材表面缺陷实时分拣系统，其特征在于，所述图像处理模块包括工业计算机，将图像采集模块中的高清摄像头通过USB传输线与工业计算机相连接，然后通过支架固定在传送带预设的检测区域的正上方。
5.根据权利要求1所述的铝型材表面缺陷实时分拣系统，其特征在于，所述图像处理模块中的缺陷检测模型包括目标检测模型和语义分割模型，所述目标检测模型可以检测出缺陷目标的类别和位置信息，所述语义分割模型可以进行缺陷分割，并进行面积提取，输出缺陷分布面积的大小，根据缺陷分布面积的大小，做进一步更精准的分级。
6.一种铝型材表面缺陷实时分拣方法，其特征在于，所述方法包括以下步骤：
采集铝型材表面缺陷原始图像，并将图片输送给图像处理模块；
通过图像处理模块中的缺陷检测模型处理，并输出检测结果给机械臂运动控制模块；
机械臂运动控制模块根据所述检测结果信息选择路径，抓取板材后送到分类区，机械臂恢复到初始状态，等待下一次动作。
7.根据权利要求6所述的铝型材表面缺陷实时分拣方法，其特征在于，所述采集铝型材表面缺陷原始图像，并将图片输送给图像处理模块的步骤具体包括：将传送带上的铝型板材，以相同的间距、速度前后依次进入系统的检测区域，通过计算机程序控制高清摄像头，以相同的时间间隔连续拍照，并将图片输送给图像处理模块，存入工业计算机，供缺陷检测模型调用。
8.根据权利要求6所述的铝型材表面缺陷实时分拣方法，其特征在于，所述通过图像处理模块中的缺陷检测模型处理，并输出检测结果给机械臂运动控制模块的步骤具体包括：由工业计算机中的缺陷检测模型处理并输出检测结果，由工业计算机以TCP/IP通讯协议将检测结果信息发送给机械臂控制程序中的通讯节点。
9.根据权利要求6所述的铝型材表面缺陷实时分拣方法，其特征在于，所述机械臂运动控制模块根据所述检测结果信息选择路径，抓取板材后送到分类区，机械臂恢复到初始状态，等待下一次动作的步骤具体包括：控制程序根据所述检测结果信息选择路径，并根据缺陷检测模型的处理时间和机械臂动作时延预设抓取位置，抓取板材后送到分类区供质检人员进一步处理，机械臂恢复到初始状态，等待下一次动作。
CN202111315110.3A 2021-11-08 2021-11-08 一种铝型材表面缺陷实时分拣系统及方法 Pending CN114029237A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111315110.3A CN114029237A (zh) 2021-11-08 2021-11-08 一种铝型材表面缺陷实时分拣系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111315110.3A CN114029237A (zh) 2021-11-08 2021-11-08 一种铝型材表面缺陷实时分拣系统及方法

Publications (1)

Publication Number Publication Date
CN114029237A true CN114029237A (zh) 2022-02-11

Family

ID=80136700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111315110.3A Pending CN114029237A (zh) 2021-11-08 2021-11-08 一种铝型材表面缺陷实时分拣系统及方法

Country Status (1)

Country Link
CN (1) CN114029237A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115156093A (zh) * 2022-06-29 2022-10-11 上海商汤智能科技有限公司 电池外壳缺陷检测方法、系统及装置
CN115608643A (zh) * 2022-10-15 2023-01-17 江苏鼎集智能科技股份有限公司 工业互联网的工业检测方法及系统
CN116984274A (zh) * 2023-09-27 2023-11-03 苏州弘皓光电科技有限公司 一种基于5g技术的电炉生产智能控制方法及系统
CN117094609A (zh) * 2023-10-20 2023-11-21 山东卓越精工集团有限公司 一种基于机器视觉的铝型材生产质量智能管理系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109013405A (zh) * 2018-08-02 2018-12-18 常州大学 一种具有铸件表面自主检测及次品分拣功能的机器人系统
CN110163858A (zh) * 2019-05-27 2019-08-23 成都数之联科技有限公司 一种铝型材表面缺陷检测与分类方法及系统
CN110756462A (zh) * 2019-09-24 2020-02-07 鲁班嫡系机器人（深圳）有限公司 电源适配器测试方法、装置、系统、控制装置及存储介质
CN110899128A (zh) * 2019-11-22 2020-03-24 深圳信息职业技术学院 一种芯片检测分拣统计系统及方法
CN211652581U (zh) * 2020-03-10 2020-10-09 山东超越数控电子股份有限公司 微型芯片表面缺陷检测视觉伺服系统
CN112560853A (zh) * 2020-12-14 2021-03-26 中科云谷科技有限公司 图像处理的方法、装置及存储介质
CN113030108A (zh) * 2021-03-08 2021-06-25 哈尔滨工程大学 一种基于机器视觉的涂层缺陷检测系统与方法
CN113569922A (zh) * 2021-07-08 2021-10-29 陕西科技大学 一种苹果智能无损分拣的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109013405A (zh) * 2018-08-02 2018-12-18 常州大学 一种具有铸件表面自主检测及次品分拣功能的机器人系统
CN110163858A (zh) * 2019-05-27 2019-08-23 成都数之联科技有限公司 一种铝型材表面缺陷检测与分类方法及系统
CN110756462A (zh) * 2019-09-24 2020-02-07 鲁班嫡系机器人（深圳）有限公司 电源适配器测试方法、装置、系统、控制装置及存储介质
CN110899128A (zh) * 2019-11-22 2020-03-24 深圳信息职业技术学院 一种芯片检测分拣统计系统及方法
CN211652581U (zh) * 2020-03-10 2020-10-09 山东超越数控电子股份有限公司 微型芯片表面缺陷检测视觉伺服系统
CN112560853A (zh) * 2020-12-14 2021-03-26 中科云谷科技有限公司 图像处理的方法、装置及存储介质
CN113030108A (zh) * 2021-03-08 2021-06-25 哈尔滨工程大学 一种基于机器视觉的涂层缺陷检测系统与方法
CN113569922A (zh) * 2021-07-08 2021-10-29 陕西科技大学 一种苹果智能无损分拣的方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115156093A (zh) * 2022-06-29 2022-10-11 上海商汤智能科技有限公司 电池外壳缺陷检测方法、系统及装置
CN115608643A (zh) * 2022-10-15 2023-01-17 江苏鼎集智能科技股份有限公司 工业互联网的工业检测方法及系统
CN115608643B (zh) * 2022-10-15 2023-10-20 江苏鼎集智能科技股份有限公司 工业互联网的工业检测方法及系统
CN116984274A (zh) * 2023-09-27 2023-11-03 苏州弘皓光电科技有限公司 一种基于5g技术的电炉生产智能控制方法及系统
CN116984274B (zh) * 2023-09-27 2023-12-12 苏州弘皓光电科技有限公司 一种基于5g技术的电炉生产智能控制方法及系统
CN117094609A (zh) * 2023-10-20 2023-11-21 山东卓越精工集团有限公司 一种基于机器视觉的铝型材生产质量智能管理系统
CN117094609B (zh) * 2023-10-20 2024-01-12 山东卓越精工集团有限公司 一种基于机器视觉的铝型材生产质量智能管理系统

Similar Documents

Publication Publication Date Title
CN114029237A (zh) 一种铝型材表面缺陷实时分拣系统及方法
CN110569841B (zh) 基于卷积神经网络的接触网关键部件目标检测方法
CN107966454A (zh) 一种基于fpga的端塞缺陷检测装置及检测方法
CN112966772A (zh) 一种多人在线的图像半自动标注方法及系统
CN110102511A (zh) 一种产品外观的视觉检测系统及方法
WO2023168972A1 (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN112700442A (zh) 基于Faster R-CNN的模切机工件缺陷检测方法和系统
CN103776841A (zh) 合成革缺陷自动检测装置及检测方法
CN112893159B (zh) 一种基于图像识别的煤矸石分拣方法
CN111551559A (zh) 一种基于多目视觉系统的lcd液晶屏缺陷检测方法
CN210071686U (zh) 基于正交双目机器视觉的水果分级装置
CN114529510B (zh) 一种阴极铜在线质量自动检测分类方法
CN112964732A (zh) 一种基于深度学习的丝饼缺陷视觉检测系统及方法
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN110044921A (zh) 锂电池外观缺陷检测系统和方法
CN208092786U (zh) 一种以深度卷积神经网络为基础的零件分拣系统
CN116258682A (zh) 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法
CN109719056A (zh) 一种基于机器视觉的摄像头模块调焦流水线及其方法
CN113870204A (zh) 一种光学玻璃的异常检测方法及装置
CN117173133A (zh) 一种基于Ghostnet与注意力机制的玻璃细珠缺陷检测算法
CN207937374U (zh) 一种焊盘焊接缺陷检测装置
CN111486790A (zh) 一种电池全尺寸检测方法与装置
CN105548210A (zh) 基于机器视觉的美标电源延长线的检测方法
CN213179855U (zh) 一种电池全尺寸检测装置
CN214151768U (zh) 物料管理系统

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