CN114529510A - 一种阴极铜在线质量自动检测分类方法 - Google Patents
一种阴极铜在线质量自动检测分类方法 Download PDFInfo
- Publication number
- CN114529510A CN114529510A CN202210027979.6A CN202210027979A CN114529510A CN 114529510 A CN114529510 A CN 114529510A CN 202210027979 A CN202210027979 A CN 202210027979A CN 114529510 A CN114529510 A CN 114529510A
- Authority
- CN
- China
- Prior art keywords
- camera
- cathode copper
- copper
- output
- cathode
- 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.)
- Granted
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 229910052802 copper Inorganic materials 0.000 claims description 47
- 239000010949 copper Substances 0.000 claims description 47
- 230000007246 mechanism Effects 0.000 claims description 44
- 239000002245 particle Substances 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 3
- 230000007723 transport mechanism Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 101100408455 Arabidopsis thaliana PLC7 gene Proteins 0.000 description 6
- 238000003723 Smelting Methods 0.000 description 3
- 101100189553 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) PCL7 gene Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Electrolytic Production Of Metals (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种阴极铜在线质量自动检测分类方法，包括以下步骤：机器人剥片机组运行过程中进行一次图像采集；横送链条运行过程中进行二次图像采集；对采集图像进行在线数据分析；根据分析结果进行判定输出。上述技术方案通过机器人剥片机组运行过程和横送链条运行过程两次图像采集实现对阴极铜板精确图像采集，然后根据设定标准对采集图像进行在线数据分析，根据数据分析结果由工控机给出不同的信号到PLC，通过机器人机组判定输出、链条机组判定输出和人工介入输出多种形式实现阴极铜板的分类输出，大大节省了劳动量，增加检测效率和准确度。
Description
技术领域
本发明涉及一种金属检测技术领域，尤其涉及一种阴极铜在线质量自动检测分类方法。
背景技术
铜冶炼行业最终环节为精炼车间，粗铜阳极通过电解精炼在阴极表面生长阴极铜，生长到一定厚度之后通过阴极剥片机组进行剥离，剥离后的铜为电解铜。目前冶炼厂根据不同的质量等级处理电解铜分以下几种：交割A级铜(含出口铜)、非交割A级铜、1号标准铜、2号标准铜四个等级，达不到2号标准铜要求的为废品。
有资料显示，通过统计各家冶炼厂的A级铜以下数量小于10％，但是目前主要是人工进行判定，而且输出线只有一条外加一个不合格阴极铜工位，操作人员看到不合格的产品，在产品到达指定工位时候按剔除按钮设备自动将不合格产品摆放到不合格阴极铜位置。后期质检人员还需要对操作人员判定合格的产品进行复检。出交割铜期间，人员加强对不合格产品的检测标准，A级铜以下全部判定不合格，质检人员在后续再把A级铜剔除。技术检测主要以人工为主，操作人员初步筛选，再由质检人员复检一次，发现不合格由人工叉车进行重新分类摆放，人工检测成本高、效率低、受人为影响较大，整个过程繁琐、重复性劳动量大有。
中国专利文献CN211783203U公开了一种“高效阴极铜板面质量检测系统”。采用了包括底板，所述底板上侧安装有底座，所述底座上安装有沿横向排列的一排相平行的支撑辊，所述底板上侧还安装有位于底座横向上中间位置的限位框架，所述限位框架上安装有能相对其上下移动的限位支架，所述限位支架上安装有一对相平行的限位辊，所述底板上侧安装有位于底座两端用以推动阴极铜在支撑辊上运动的推进机构。上述技术方案依然需要人工实现对阴极铜的质量检测及判断，没有解决过程繁琐、重复性劳动量大的技术问题。
发明内容
本发明主要解决原有的技术方案过程繁琐、重复性劳动量大的技术问题，提供一种阴极铜在线质量自动检测分类方法，通过机器人剥片机组运行过程和横送链条运行过程两次图像采集实现对阴极铜板精确图像采集，然后根据设定标准对采集图像进行在线数据分析，根据数据分析结果由工控机给出不同的信号到PLC，通过机器人机组判定输出、链条机组判定输出和人工介入输出多种形式实现阴极铜板的分类输出，大大节省了劳动量，增加检测效率和准确度。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
S1机器人剥片机组运行过程中进行一次图像采集；
S2横送链条运行过程中进行二次图像采集；
S3对采集图像进行在线数据分析；
S4根据分析结果进行判定输出。
作为优选，所述的步骤S1一次图像采集包括以下步骤：
S1.1洗涤被测阴极铜板并通过线阵相机取图机构获取阴极铜板正反表面图像，并送入工控机；
S1.2通过线阵相机取图机构进行图像采集；
S1.3通过3D激光扫描三维建模机构复刻每一帧线激光照射线条的Y与Z轴尺寸并合并成三维模型。
作为优选，所述的步骤S2二次图像采集包括以下步骤：
S2.1在横送链条运行过程中进行线阵相机取图；
S2.2在横送链条运行过程中进行3D激光扫描三维取图；
S2.3在横送链条运行过程中进行面阵相机取图。
作为优选，所述的步骤S1.1面阵相机取图机构包括设置在机器人剥片机组与待测阴极铜板之间的正面相机，所述正面相机设有正面光源，所述待测阴极铜板远离机器人剥片机组的一侧设有反面相机，反面相机旁设有反面光源，正面相机和反面相机依次经过工控机、PCL相连；所述步骤S2.3面阵相机取图机构包括设置在待测阴极铜板一侧的反面光源和对向设置在待测阴极铜板侧面的反面相机，反面相机依次经过工控机、PCL相连。采用一台高亮度投射光源照亮被检测阴极铜板，保证光源照射范围包含整块铜板。彩色相机通过高质量镜头获取阴极铜板正反表面图像，并送入工控机。
作为优选，所述的步骤S1.2线阵相机取图机构包括朝向传送机构的正面相机、正面光源和朝向接板插的反面相机、反面光源，正面相机和反面相机依次经过工控机、PCL相连；所述步骤S2.1线阵相机取图机构包括分别设置在传送机构两侧的正面相机、正面光源、反面相机、反面光源，正面相机和反面相机依次经过工控机、PCL相连。采用线阵CCD相机和线光源确保每一帧图片清洗，配合读码器保证采集到的图片清晰可用。在阴极铜转运过程中，符合线阵相机取图原理的位置均可，亦可以单独增加检测工位或者整改现有机构来实现取图。
作为优选，所述的步骤S1.3 3D激光扫描三维建模机构包括朝向传送机构的正面3D激光扫描仪和朝向接板插的反面3D激光扫描仪，正面3D激光扫描仪和反面3D激光扫描仪依次经过工控机、PCL相连；所述步骤S2.2 3D激光扫描三维建模机构包括分别设置在传送机构两侧的正面3D激光扫描仪和反面3D激光扫描仪，正面3D激光扫描仪和反面3D激光扫描仪依次经过工控机、PCL相连。采用工业相机和线激光配合读码器，复刻每一帧线激光照射线条的Y与Z轴尺寸，最终合并成三维模型。
作为优选，所述的步骤S3包括二维照片处理和三维模型处理，具体包括：S3.1对采集图像进行预处理，主要是将原始图像分割为多个图像进行处理；对工业彩色相机获取阴极铜表面图像进行预处理。
S3.2对预处理后的阴极铜表面图像进行铜粒子标注生成标注文件，预处理后的阴极铜表面图像与该标注图像组成了铜粒子缺陷数据集；
S3.3对铜粒子缺陷数据集进行训练，使得深度学习网络能够分析铜粒子像素；S3.4根据不同的品质要求设置不同的检测标准，按等级进行输出；根据不同的品质要求设置不同的检测标准，可以按等级输出。输出参数可以根据a形状、b尺寸、c数量自由组个设定，自由度高，可定制性强，可以通过设置a凸系数、b模糊度、c横纵比来对缺陷进行定性。
S3.5将检测NG的阴极铜输出信号到PLC，由PLC记录待剥离后剔除；
S3.6计算被测对象表面的三维坐标数据，根据获取的信息分析其表面情况。
作为优选，所述的步骤S3.3具体包括应用了金字塔场景解析网络，通过卷积运算获取预处理图像的特征Map,然后通过金字塔池化模块的多分辨率卷积与融合，使网络分割出背景像素与铜粒子像素类别，通过铜粒子图像训练，在网络识别铜粒子像素精度达到规定值后，生成网络参数文件，用于实际在线铜粒子检测系统。
作为优选，所述的步骤S3.6具体包括：基于三角测量法，激光线作为结构光，相机取图计算被测对象表面的三维坐标数据，根据获取的信息直接分析其表面情况，由于被测物表面不规则，所以根据特定尺寸长度范围内的相对数据进行分析对比输出表面缺陷情况。
作为优选，所述的步骤S4判定输出方式包括机器人机组判定输出、链条机组判定输出和人工介入输出，由工控机给出不同的信号到PLC，
机器人机组判定输出不同的结果方式为PLC根据接受到的不同信号控制机器人对铜板进行分类摆放，分别由阴极铜板品质1输出路径、阴极铜板品质2输出路径、阴极铜板品质3输出路径、不合格阴极铜板输出路径进行输出；
链条机组判定输出不同的结果方式为PLC在检测工位对异常带铜阴极板不进行剥离动作，直接拒收，后期在剔除工位单独剥离；
人工介入输出判定输出不同的结果方式为PLC根据不同的信号给出不同的提示，根据提示人工进行输出。
本发明的有益效果是：通过机器人剥片机组运行过程和横送链条运行过程两次图像采集实现对阴极铜板精确图像采集，然后根据设定标准对采集图像进行在线数据分析，根据数据分析结果由工控机给出不同的信号到PLC，通过机器人机组判定输出、链条机组判定输出和人工介入输出多种形式实现阴极铜板的分类输出，大大节省了劳动量，增加检测效率和准确度。
附图说明
图1是本发明的一种流程图。
图2是本发明的一种机器人剥片机组运行过程面阵相机取图机构图。
图3是本发明的一种机器人剥片机组运行过程线阵相机取图机构图。
图4是本发明的一种机器人剥片机组运行过程3D激光扫描三维建模机构图。
图5是本发明的一种横送链条运行过程线阵相机取图机构图。
图6是本发明的一种横送链条运行过程3D激光扫描三维建模机构图。
图7是本发明的一种横送链条运行过程面阵相机取图机构图。
图8是本发明的一种机器人机组判定输出系统图。
图9是本发明的一种链条机组判定输出系统图。
图中1正面相机，2正面光源，3待测阴极铜板，4反面光源，5反面相机,6工控机，7PCL，8正面3D激光扫描仪，9反面3D激光扫描仪，10检测工位，11剔除工位，12阴极铜板品质1输出路径，13阴极铜板品质2输出路径，14阴极铜板品质3输出路径，15不合格阴极铜板输出路径，16接板插。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种阴极铜在线质量自动检测分类方法，如图1所示，包括以下步骤：
S1机器人剥片机组运行过程中进行一次图像采集，包括以下步骤：
S1.1洗涤被测阴极铜板并通过线阵相机取图机构获取阴极铜板正反表面图像，并送入工控机。如图2所示，面阵相机取图机构包括设置在机器人剥片机组与待测阴极铜板3之间的正面相机1，所述正面相机1设有正面光源2，所述待测阴极铜板3远离机器人剥片机组的一侧设有反面相机4，反面相机4旁设有反面光源5，正面相机1和反面相机4依次经过工控机、PCL7相连。采用一台高亮度投射光源照亮被检测阴极铜板，保证光源照射范围包含整块铜板。彩色相机通过高质量镜头获取阴极铜板正反表面图像，并送入工控机。
S1.2通过线阵相机取图机构进行图像采集。如图3所示，线阵相机取图机构包括朝向传送机构的正面相机1、正面光源2和朝向接板插的反面相机4、反面光源5，正面相机1和反面相机4依次经过工控机、PCL7相连。采用线阵CCD相机和线光源确保每一帧图片清洗，配合读码器保证采集到的图片清晰可用。在阴极铜转运过程中，符合线阵相机取图原理的位置均可，亦可以单独增加检测工位或者整改现有机构来实现取图。
S1.3通过3D激光扫描三维建模机构复刻每一帧线激光照射线条的Y与Z轴尺寸并合并成三维模型。如图4所示，3D激光扫描三维建模机构包括朝向传送机构的正面3D激光扫描仪8和朝向接板插的反面3D激光扫描仪9，正面3D激光扫描仪8和反面3D激光扫描仪9依次经过工控机、PCL7相连。采用工业相机和线激光配合读码器，复刻每一帧线激光照射线条的Y与Z轴尺寸，最终合并成三维模型。
S2横送链条运行过程中进行二次图像采集，包括以下步骤：
S2.1在横送链条运行过程中进行线阵相机取图。如图5所示，线阵相机取图机构包括分别设置在传送机构两侧的正面相机1、正面光源2、反面相机4、反面光源5，正面相机1和反面相机4依次经过工控机、PCL7相连。
S2.2在横送链条运行过程中进行3D激光扫描三维取图。如图6所示，所述步骤S2.23D激光扫描三维建模机构包括分别设置在传送机构两侧的正面3D激光扫描仪8和反面3D激光扫描仪9，正面3D激光扫描仪8和反面3D激光扫描仪9依次经过工控机、PCL7相连。
S2.3在横送链条运行过程中进行面阵相机取图。如图7所示，面阵相机取图机构包括设置在待测阴极铜板3一侧的反面光源5和对向设置在待测阴极铜板3侧面的反面相机4，反面相机4依次经过工控机、PCL7相连。
S3对采集图像进行在线数据分析，包括二维照片处理和三维模型处理，具体包括：
S3.1对采集图像进行预处理，主要是将原始图像分割为多个图像进行处理；
S3.2对预处理后的阴极铜表面图像进行铜粒子标注生成标注文件，预处理后的阴极铜表面图像与该标注图像组成了铜粒子缺陷数据集；
S3.3对铜粒子缺陷数据集进行训练，使得深度学习网络能够分析铜粒子像素。具体包括应用了金字塔场景解析网络，通过卷积运算获取预处理图像的特征Map,然后通过金字塔池化模块的多分辨率卷积与融合，使网络分割出背景像素与铜粒子像素类别，通过铜粒子图像训练，在网络识别铜粒子像素精度达到规定值后，生成网络参数文件，用于实际在线铜粒子检测系统。
S3.4根据不同的品质要求设置不同的检测标准，按等级进行输出；根据不同的品质要求设置不同的检测标准，可以按等级输出。输出参数可以根据a形状、b尺寸、c数量自由组个设定，自由度高，可定制性强，可以通过设置a凸系数、b模糊度、c横纵比来对缺陷进行定性。
S3.5将检测NG的阴极铜输出信号到PLC7，由PLC7记录待剥离后剔除；
S3.6计算被测对象表面的三维坐标数据，根据获取的信息分析其表面情况。具体包括：基于三角测量法，激光线作为结构光，相机取图计算被测对象表面的三维坐标数据，根据获取的信息直接分析其表面情况，由于被测物表面不规则，所以根据特定尺寸长度范围内的相对数据进行分析对比输出表面缺陷情况。S4根据分析结果进行判定输出。判定输出方式包括机器人机组判定输出、链条机组判定输出和人工介入输出，由工控机6给出不同的信号到PLC7，
如图8所示，机器人机组判定输出不同的结果方式为PLC7根据接受到的不同信号控制机器人对铜板进行分类摆放，分别由阴极铜板品质1输出路径12、阴极铜板品质2输出路径13、阴极铜板品质3输出路径14、不合格阴极铜板输出路径15进行输出；
如图9所示，链条机组判定输出不同的结果方式为PLC7在检测工位10对异常带铜阴极板不进行剥离动作，直接拒收，后期在剔除工位11单独剥离；
人工介入输出判定输出不同的结果方式为PLC7根据不同的信号给出不同的提示，根据提示人工进行输出。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了图像采集、数据分析、判定输出等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种阴极铜在线质量自动检测分类方法，其特征在于，包括以下步骤：
S1机器人剥片机组运行过程中进行一次图像采集；
S2横送链条运行过程中进行二次图像采集；
S3对采集图像进行在线数据分析；
S4根据分析结果进行判定输出。
2.根据权利要求1所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S1一次图像采集包括以下步骤：
S1.1洗涤被测阴极铜板并通过线阵相机取图机构获取阴极铜板正反表面图像，并送入工控机；
S1.2通过线阵相机取图机构进行图像采集；
S1.3通过3D激光扫描三维建模机构复刻每一帧线激光照射线条的Y与Z轴尺寸并合并成三维模型。
3.根据权利要求1所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S2二次图像采集包括以下步骤：
S2.1在横送链条运行过程中进行线阵相机取图；
S2.2在横送链条运行过程中进行3D激光扫描三维取图；
S2.3在横送链条运行过程中进行面阵相机取图。
4.根据权利要求2或3所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S1.1面阵相机取图机构包括设置在机器人剥片机组与待测阴极铜板(3)之间的正面相机(1)，所述正面相机(1)设有正面光源(2)，所述待测阴极铜板(3)远离机器人剥片机组的一侧设有反面相机(4)，反面相机(4)旁设有反面光源(5)，正面相机(1)和反面相机(4)依次经过工控机、PCL(7)相连；所述步骤S2.3面阵相机取图机构包括设置在待测阴极铜板(3)一侧的反面光源(5)和对向设置在待测阴极铜板(3)侧面的反面相机(4)，反面相机(4)依次经过工控机、PCL(7)相连。
5.根据权利要求2或3所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S1.2线阵相机取图机构包括朝向传送机构的正面相机(1)、正面光源(2)和朝向接板插的反面相机(4)、反面光源(5)，正面相机(1)和反面相机(4)依次经过工控机、PCL(7)相连；所述步骤S2.1线阵相机取图机构包括分别设置在传送机构两侧的正面相机(1)、正面光源(2)、反面相机(4)、反面光源(5)，正面相机(1)和反面相机(4)依次经过工控机、PCL(7)相连。
6.根据权利要求2或3所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S1.3 3D激光扫描三维建模机构包括朝向传送机构的正面3D激光扫描仪(8)和朝向接板插的反面3D激光扫描仪(9)，正面3D激光扫描仪(8)和反面3D激光扫描仪(9)依次经过工控机、PCL(7)相连；所述步骤S2.2 3D激光扫描三维建模机构包括分别设置在传送机构两侧的正面3D激光扫描仪(8)和反面3D激光扫描仪(9)，正面3D激光扫描仪(8)和反面3D激光扫描仪(9)依次经过工控机、PCL(7)相连。
7.根据权利要求3所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S3包括二维照片处理和三维模型处理，具体包括：
S3.1对采集图像进行预处理，主要是将原始图像分割为多个图像进行处理；S3.2对预处理后的阴极铜表面图像进行铜粒子标注生成标注文件，预处理后的阴极铜表面图像与该标注图像组成了铜粒子缺陷数据集；
S3.3对铜粒子缺陷数据集进行训练，使得深度学习网络能够分析铜粒子像素；S3.4根据不同的品质要求设置不同的检测标准，按等级进行输出；
S3.5将检测NG的阴极铜输出信号到PLC(7)，由PLC(7)记录待剥离后剔除；S3.6计算被测对象表面的三维坐标数据，根据获取的信息分析其表面情况。
8.根据权利要求7所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S3.3具体包括应用了金字塔场景解析网络，通过卷积运算获取预处理图像的特征Map,然后通过金字塔池化模块的多分辨率卷积与融合，使网络分割出背景像素与铜粒子像素类别，通过铜粒子图像训练，在网络识别铜粒子像素精度达到规定值后，生成网络参数文件，用于实际在线铜粒子检测系统。
9.根据权利要求7所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S3.6具体包括：基于三角测量法，激光线作为结构光，相机取图计算被测对象表面的三维坐标数据，根据获取的信息直接分析其表面情况，由于被测物表面不规则，所以根据特定尺寸长度范围内的相对数据进行分析对比输出表面缺陷情况。
10.根据权利要求4所述的一种阴极铜在线质量自动检测分类方法，其特征在于，所述步骤S4判定输出方式包括机器人机组判定输出、链条机组判定输出和人工介入输出，由工控机(6)给出不同的信号到PLC(7)，
机器人机组判定输出不同的结果方式为PLC(7)根据接受到的不同信号控制机器人对铜板进行分类摆放，分别由阴极铜板品质1输出路径(12)、阴极铜板品质2输出路径(13)、阴极铜板品质3输出路径(14)、不合格阴极铜板输出路径(15)进行输出；
链条机组判定输出不同的结果方式为PLC(7)在检测工位(10)对异常带铜阴极板不进行剥离动作，直接拒收，后期在剔除工位(11)单独剥离；
人工介入输出判定输出不同的结果方式为PLC(7)根据不同的信号给出不同的提示，根据提示人工进行输出。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210027979.6A CN114529510B (zh) | 2022-01-11 | 2022-01-11 | 一种阴极铜在线质量自动检测分类方法 |
| PCT/CN2022/130854 WO2023134286A1 (zh) | 2022-01-11 | 2022-11-09 | 一种阴极铜在线质量自动检测分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210027979.6A CN114529510B (zh) | 2022-01-11 | 2022-01-11 | 一种阴极铜在线质量自动检测分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114529510A true CN114529510A (zh) | 2022-05-24 |
| CN114529510B CN114529510B (zh) | 2023-05-23 |
Family
ID=81621812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210027979.6A Active CN114529510B (zh) | 2022-01-11 | 2022-01-11 | 一种阴极铜在线质量自动检测分类方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114529510B (zh) |
| WO (1) | WO2023134286A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023134286A1 (zh) * | 2022-01-11 | 2023-07-20 | 三门三友科技股份有限公司 | 一种阴极铜在线质量自动检测分类方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523307B (zh) * | 2023-11-24 | 2024-04-19 | 佛山众陶联供应链服务有限公司 | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 |
| CN117840071A (zh) * | 2024-02-01 | 2024-04-09 | 青岛河钢新材料科技股份有限公司 | 全自动分拣检测装置及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070104359A1 (en) * | 2005-11-10 | 2007-05-10 | Mauricio Telias | Digital inspection of the physical quality of plain surfaces |
| CN105606623A (zh) * | 2015-09-11 | 2016-05-25 | 天津英特伦科技发展有限公司 | 一种基于线阵相机的钢板表面缺陷检测系统 |
| CN107052086A (zh) * | 2017-06-01 | 2017-08-18 | 扬州苏星机器人科技有限公司 | 基于三维视觉的冲压件表面缺陷检测装置及检测方法 |
| CN110806736A (zh) * | 2019-11-19 | 2020-02-18 | 北京工业大学 | 一种模锻成形智能制造生产线锻件质量信息检测方法 |
| CN210572037U (zh) * | 2019-09-10 | 2020-05-19 | 成都菲斯洛克电子技术有限公司 | 一种新型图像采集系统 |
| CN113070240A (zh) * | 2021-03-25 | 2021-07-06 | 南京工业大学 | 一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法 |
| CN113325001A (zh) * | 2021-04-12 | 2021-08-31 | 浙江花园新能源有限公司 | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 |
| WO2021248554A1 (zh) * | 2020-06-11 | 2021-12-16 | 深圳市信宇人科技股份有限公司 | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202362253U (zh) * | 2011-11-28 | 2012-08-01 | 深圳市鹰眼在线电子科技有限公司 | 电池极片涂布质量在线视觉检测系统 |
| CN105044122B (zh) * | 2015-08-25 | 2019-01-22 | 安徽工业大学 | 一种基于半监督学习模型的铜件表面缺陷视觉检测方法 |
| CN107486415B (zh) * | 2017-08-09 | 2023-10-03 | 中国计量大学 | 基于机器视觉的篾片缺陷在线检测系统及检测方法 |
| CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
| CN114529510B (zh) * | 2022-01-11 | 2023-05-23 | 三门三友科技股份有限公司 | 一种阴极铜在线质量自动检测分类方法 |
-
2022
- 2022-01-11 CN CN202210027979.6A patent/CN114529510B/zh active Active
- 2022-11-09 WO PCT/CN2022/130854 patent/WO2023134286A1/zh unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070104359A1 (en) * | 2005-11-10 | 2007-05-10 | Mauricio Telias | Digital inspection of the physical quality of plain surfaces |
| CN105606623A (zh) * | 2015-09-11 | 2016-05-25 | 天津英特伦科技发展有限公司 | 一种基于线阵相机的钢板表面缺陷检测系统 |
| CN107052086A (zh) * | 2017-06-01 | 2017-08-18 | 扬州苏星机器人科技有限公司 | 基于三维视觉的冲压件表面缺陷检测装置及检测方法 |
| CN210572037U (zh) * | 2019-09-10 | 2020-05-19 | 成都菲斯洛克电子技术有限公司 | 一种新型图像采集系统 |
| CN110806736A (zh) * | 2019-11-19 | 2020-02-18 | 北京工业大学 | 一种模锻成形智能制造生产线锻件质量信息检测方法 |
| WO2021248554A1 (zh) * | 2020-06-11 | 2021-12-16 | 深圳市信宇人科技股份有限公司 | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 |
| CN113070240A (zh) * | 2021-03-25 | 2021-07-06 | 南京工业大学 | 一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法 |
| CN113325001A (zh) * | 2021-04-12 | 2021-08-31 | 浙江花园新能源有限公司 | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴浩: "基于机器视觉的铜条表面缺陷检测系统的研究", 《仪表技术与传感器》 * |
| 王希靖等: "铜始极片表面缺陷检测系统研究与设计", 《机械设计与制造》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023134286A1 (zh) * | 2022-01-11 | 2023-07-20 | 三门三友科技股份有限公司 | 一种阴极铜在线质量自动检测分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023134286A1 (zh) | 2023-07-20 |
| CN114529510B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114529510B (zh) | 一种阴极铜在线质量自动检测分类方法 | |
| CN109724984B (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
| KR102579783B1 (ko) | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 | |
| CN111537517B (zh) | 一种无人智能化冲压缺陷识别方法 | |
| WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
| CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| CN111982921A (zh) | 孔缺陷的检测方法、装置、传送平台及存储介质 | |
| JP2021512342A (ja) | マスク欠陥検査装置及び方法 | |
| CN113362276B (zh) | 板材视觉检测方法及系统 | |
| CN111707614B (zh) | 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 | |
| CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
| WO2023168984A1 (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 | |
| CN111060518A (zh) | 一种基于实例分割的冲压件缺陷识别方法 | |
| CN112964732A (zh) | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 | |
| CN113751332A (zh) | 视觉检查系统和检查零件的方法 | |
| CN115060742A (zh) | 一种基于视觉边缘计算的印刷电路板缺陷检测系统及方法 | |
| CN117409005B (zh) | 基于图像的收板机用不良品检测系统及方法 | |
| CN111024722A (zh) | 一种基于数据融合的木材缺陷检测系统及方法 | |
| CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
| CN114518526A (zh) | 一种适用于pcb板ict的自动测试机控制系统 | |
| CN110596118A (zh) | 印刷图案检测方法及印刷图案检测装置 | |
| CN113953208A (zh) | 一种电子元件全自动分拣装置及其分拣方法 | |
| CN112763496A (zh) | 一种手机电池表面缺陷检测装置及其检测方法 | |
| CN107121063A (zh) | 检测工件的方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for online quality automatic detection and classification of cathode copper Granted publication date: 20230523 Pledgee: Three branches of the Industrial Commercial Bank of China Ltd. Pledgor: SANMEN SANYOU TECHNOLOGY Inc. Registration number: Y2024330001599 |